Le plan de concours IFID : Méthodes Quantitatives

Statistiques descriptives
Statistiques Inférentielles
Initiation à l’économétrie (Econométrie I)
Partie n° I : Statistiques descriptives
Premier Chapitre : Les indicateurs statistiques
Section I : Les distributions qualitatives et quantitatives
I-1 La distribution qualitative : Sexes (le système de Codage binaire ou
dichotomique), la nationalité ou les couleurs des yeux (le système de codage est
non-ordonné, le niveau de Scolarité (Système de Codage ordonné)
Exemple 1 : la couleur des Yeux
Effectifs Angle
Modalités Fréquences Fréquences
Caractères absolues relatives
Mi ni fi
Noire n1 =15 15/180=0.083 360°×0.083=30°
Verte n2=25 25/180=0.139 360°×0.139=50°
Blue n3=35 35/180=0.194 360°×0.194=70°
Gris n4=45 45/180=0.25 360×0.25=90
Marron n5=60 60/180=0.333 360×0.333=120
Total 180=n 1 360°×1=360°

∑5𝑖=1 𝑛𝑖 = 𝑛1 + 𝑛2 + 𝑛3 + 𝑛4 +𝑛5 = n= 180

5 5
𝑛𝑖 𝑛𝑖 1 𝑛
= 𝑓𝑖 ↔ ∑ = ∑ 𝑛𝑖 = = 1
𝑛 𝑛 𝑛 𝑛
𝑖=1 𝑖=1

- Diagramme sectorielle ou circulaire

 DIAGRAMME SECTORIELLE OU
CIRCULAIRE
Noire
Maronna Verte

Blue

Gris

- Tuyau d’Orgue

Titre du graphique
70

60

50

40

30

20

10

0
Noire Verte Blue Gris Maronna

Le Mode : Mo=Maronna

I-2 Les distributions quantitatives : Discrète ou Continue

I-2-1 Cas discret : les modalités ou les caractères sont des entiers naturels ou des
chiffres rangs ou des parties entières
Exemple :
Fréquences Fréquences Mi×ni 𝑀𝑖2 ×ni
Les nombres Les nombres Fréquences cumulées cumulées
des enfants des ménages relatives croissante décroissantes
Mi ni fi Fi
0 15 15/350=0.043 0.043 1 0 0

1 25 25/350=0.071 0.114 0.957 25 25

2 36 36/350=0.103 0.217 0.886 72 144

3 44 44/350=0.126 0.343 0.783 132 396

4 68 68/350=0.194 0.537 0.657 272 1088

5 72 72/350=0.206 0.743 0.451 360 1800

6 90 90/350=0.257 1 0.257 540 3240

Total 350=n 1 0 1401 6693

Le Mode : C’est la modalité la plus fréquente : MO=6

La règle de la médiane : F(Me)=0,5
𝐹(3) = 0,343 < 𝐹(𝑀𝑒) = 0,5 < 𝐹(4) = 0,537. 𝐷′ 𝑜ù 𝑀𝑒 = 3

𝐹(𝑀𝑒) = 0,5 → 𝑀𝑒 = 3
- Diagramme en bâton

LES NOMBRES DES MÉNAGES

90
72
68
EFFECTIFS

44
36
25
15

0 1 2 3 4 5 6
NOMBRE DES ENFANTS

- Diagramme en escalier
 Diagramme en Escalier
Série1 Série2
Fréquences cumulées croissantes et
1,2

1
décroissantes

0,8

0,6

0,4

0,2

0
0 1 2 3 4 5 6 7
Modalités

Les indicateurs statistiques : Indicateurs de position, indicateurs de dispersion et indicateurs

de forme
- Indicateurs de position : la moyenne, la médiane, le maximum, le minimum, le nombre
d’observation, mode, etc. Ces indicateurs sont faibles statistiquement
𝑋
- Indicateur de dispersion : la variance, l’écart-type, le coefficient de variation CV=𝜎, etc.
- Indicateur de forme : Skewness, Kurtosis et Jarque-Bera (test de normalité)
1. Les indicateurs de position
La moyenne arithmétique
𝑛
1
𝑋 = ∑ 𝑋𝑖
𝑛
𝑖=1

La moyenne pondérée
𝑀𝑛
1 1
𝑋 = ∑ 𝑀𝑖 × 𝑛𝑖 = × 1401 = 4.003
𝑛 350
𝑖=𝑀0

La médiane : la médiane partage la population en deux parties égale : une partie inférieure à la
médiane et l’autre partie supérieure à la médiane. F(Me)=0.5
Me=3
Le mode est la valeur la plus fréquente et il sera noté par Mo=6
La variance : est un indicateur de précision pour éviter le risque. D’où, la variance est un
indicateur du risque : V(X)
La Variance arithmétique :
𝑛 𝑛
1 1 2
𝑉(𝑋) = ∑(𝑋𝑖 − 𝑋)2 = ∑ 𝑋𝑖2 − 𝑋
𝑛 𝑛
𝑖=1 𝑖=1
La variance pondérée :
𝑛
1 2 1
𝑉(𝑋) = ∑ 𝑀𝑖2 𝑛𝑖 − 𝑋 = × 6693 − (4.003)2 = 3.099
𝑛 350
𝑖=1

L’écart type

𝜎 = √𝑉(𝑋) = √3.099 = 1.616

Rappel :
V(aX)= a2V(X)
V(b)=0
V(aX+b)= a2V(X)
V(X+Y)=V(X)+V(Y)+2Cov(X; Y)
V(X-Y)=V(X)+V(Y)-2Cov(X ; Y)
V(X+Y)=V(X-Y) si et seulement Cov(X ; Y)=0, c’est-à-dire X et Y sont deux variables
indépendantes.
La Covariance est mesurée la dépendance entre deux ou plusieurs variables variées au cours
des temps ou des individus. Indicateur de dépendance absolu
Cov(X ; X)=V(X)
Cov(X ; b)= 0
Cov(aX+bY; cZ)=Cov(aX; cZ)+Cov(bY; cZ)=acCov(X ;Z)+bcCov(Y; Z)
1
Cov(X ;Y)=Cov(Y ; X)=𝑛 ∑𝑛𝑖=1(𝑋𝑖 − 𝑋)(𝑌𝑖 − 𝑌)

Coefficient de Corrélation est un indicateur de dépendance relatif.

𝐶𝑜𝑣(𝑋;𝑌)
𝜌𝑋;𝑌 = ∀ − 1 < 𝜌𝑋;𝑌 < 1
𝜎𝑋 𝜎𝑌

- 𝜌𝑋;𝑌 → 0 : Une faible corrélation entre X et Y

- 𝜌𝑋;𝑌 → 1 : Une forte corrélation positive entre X et Y
- 𝜌𝑋;𝑌 → −1 : Une forte corrélation négative entre X et Y
- 𝜌𝑋;𝑌 = 0 : Une absence de corrélation entre X et Y
La moyenne est déterminée à partir d’une série numérique mais l’espérance mathématique
correspond à la moyenne espérée ou le rendement. A long terme, cette espérance converge vers
cette moyenne.
E(X)=∑𝑛𝑖=1 𝑥𝑖 𝑝(𝑋 = 𝑥𝑖 )
E(X+Y)=E(X)+E(Y)
E(aX+b)=aE(X)+b
E(XY)=E(X)×E(Y)
V(X)=E[(X-E(X))2] =E(X2)-(E(X))2
E(X2)= ∑𝑛𝑖=1 𝑥𝑖2 𝑝(𝑋 = 𝑥𝑖 )
E(Xn)= ∑𝑛𝑖=1 𝑥𝑖𝑛 𝑝(𝑋 = 𝑥𝑖 )
Correction de l’examen Avril 2018
Exercice n° I:
E(X)=mX et E(Y)=mY
𝑉(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))2 =𝜎𝑋2 → 𝐸(𝑋 2 ) = 𝑉(𝑋) + (𝐸(𝑋))2 = 𝜎𝑋2 + 𝑚𝑋2
2 2
𝑉(𝑌) = 𝐸(𝑌 2 ) − (𝐸(𝑌)) =𝜎𝑌2 → 𝐸(𝑌 2 ) = 𝑉(𝑌) + (𝐸(𝑌)) = 𝜎𝑌2 + 𝑚𝑌2

𝐶𝑜𝑣(𝑋 ; 𝑌) = 𝐸[(𝑋 − 𝐸(𝑋))(𝑌 − 𝐸(𝑌))] = 𝐸(𝑋𝑌) − 𝐸(𝑋)𝐸(𝑌)=0 si et seulement si X et Y

sont deux variables indépendantes
1- Z=XY
V(Z)=E(Z2)-(E(Z))2=E[(XY)2]-(E(XY))2=E(X2Y2)-(E(X)E(Y))2=E(X2)E(Y2)-(E(X))2(E(Y))2
E(X2)=V(X)+ (𝐸(𝑋))2 = 𝜎𝑋2 +𝑚𝑋2
E(Y2)=V(Y)+ (𝐸(𝑌))2 = 𝜎𝑌2 +𝑚𝑌2
V(Z)=( 𝜎𝑋2 +𝑚𝑋2 )(𝜎𝑌2 +𝑚𝑌2 )- 𝑚𝑋2 𝑚𝑌2 =𝜎𝑋2 𝜎𝑌2 + 𝜎𝑋2 𝑚𝑌2 + 𝑚𝑋2 𝜎𝑌2 + 𝑚𝑋2 𝑚𝑌2 − 𝑚𝑋2 𝑚𝑌2 = 𝜎𝑋2 𝜎𝑌2 +
𝜎𝑋2 𝑚𝑌2 + 𝑚𝑋2 𝜎𝑌2
2- V(Z)= 𝜎𝑋2 𝜎𝑌2 si et seulement si mX=my=0
 Les indicateurs de dispersion
 Indicateurs de dispersion absolue
1 2 1
La variance pondérée :𝑉(𝑋) = 𝑛 ∑𝑛𝑖=1 𝑀𝑖2 × 𝑛𝑖 − 𝑋 = 350 × 6693 − (4.003)2 = 3.099

L’écart-type : est un indicateur de dispersion qui reflète la nature d’ajustement linéaire. Lorsque
l’écart-type est très s’élevé, ceci est un indicateur du mauvais ajustement par rapport à la
moyenne. Par contre, si l’ajustement est très bon, c’est-à-dire l’écart-type est très faible.

𝜎 = √𝑉(𝑋) = √3.099 = 1.760 : Il s’agit d’un bon ajustement.

 Indicateurs de dispersion relative
𝑋 4.003
Coefficient de Variance : 𝐶𝑉 = = = 2.274
𝜎 1.760

Les indicateurs de forme

Skewness (S) est un indicateur de symétrie ou d’asymétrie. Si S=0, on dit que l’information est
symétrique, c’est-à-dire l’information est fluide ou disponible, c’est-à-dire il n’existe aucun
coût de l’obtention d’information. D’où, la distribution est décalée vers la droite.
S<0 : L’information est asymétrique et elle est décalée à gauche.
S>0 : L’information est asymétrique et elle est décalée à droite.
Kurtos (K) est un indicateur d’aplatissement. K=3, il aura une branche parabolique de direction
asymptotique vers l’axe d’abscisse. Par contre, si K≠ 3 la variable ne subit pas d’un
aplatissement
Une variable suit une loi normale si leur statistique de Skewness égale à zéro et leur statistique
de Kurtois vaut trois.
La normalité (Statistique de Jarque-Bera)
𝐻0 : 𝐿𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑠𝑢𝑖𝑡 𝑙𝑎 𝑙𝑜𝑖 𝑛𝑜𝑟𝑚𝑎𝑙𝑒
{
𝐻1 : 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑛𝑒 𝑠𝑢𝑖𝑡 𝑝𝑎𝑠 𝑙𝑎 𝑙𝑜𝑖 𝑛𝑜𝑟𝑚𝑎𝑙𝑒
JBC <à la valeur tabulée de Khi-deux à deux degré de liberte, c’est dire PV>0.1 : la variable
suit une loi normale
JBC>à la valeur tabulée de Khi-deux à deux degré de liberté, c’est-à-dire PV<0.1 : la variable
ne suit pas la loi normale.

I-2-2 Cas Continu

Fréquences Fréquences Ci Ci×ni 𝐶𝑖2 × 𝑛𝑖
cumulées cumulées
Modalités Effectifs Fréquences croissantes décroissantes
Caractères n relatives F 1-fi
[0; 5[ (5) 10 10/165=0.06 0.06 1 2.5 25 62.5

[5; 10[(5) 20 20/165=0.121 0.181 0.94 7.5 150 1125

[10; 15[(5) 35 35/165=0.212 0.393 0.819 12.5 437.5 5468.75

[15; 20[(5) 5 5/165=0.03 0.423 0.607 17.5 87.5 1531.25

[20; 25[(5) 15 15/165=0.09 0.513 0.577 22.5 337.5 7593.75

[25; 30[(5) 55 55/165=0.333 0.846 0.487 27.5 1512.5 41593.75

[30; 35[(5) 25 25/165=0.151 1 0.151 32.5 812.5 26406.25

Total 165 165/165=1 0 3362.5 83781.25

Un caractère quantitatif continu parce que les modalités sont mesurées par des intervalles ou
des classes. Aussi, les amplitudes des intervalles sont égales
25+30
La classe modale : [25; 30[ Mo= = 27.5
2

La médiane : F(Me)=0.5
20 → 𝐹(20) = 0.423
𝑀𝑒 → 𝐹(𝑀𝑒) = 0.5
25 → 𝐹(25) = 0.513
𝑀𝑒 − 20 0.5 − 0.423 0.077
= = = 0.855
25 − 20 0.513 − 0.423 0.09
𝑎 𝑐 𝑎
= 𝑑 → 𝑎𝑑 = 𝑏𝑐 𝑒𝑡 = 𝑐 → 𝑎 = 𝑏𝑐
𝑏 𝑏
𝑀𝑒 − 20
= 0.855 → (𝑀𝑒 − 20) = 0.855 × 5 = 4.275 → 𝑀𝑒 − 20 = 4.275
5
𝑀𝑒 = 20 + 4.275 = 24.275
1 1
La moyenne : 𝑋 = 𝑛 ∑7𝑖=1 𝑛𝑖 𝐶𝑖 = 165 × 3362.5 = 20.379

1 2 1
La variance :𝑉(𝑋) = 𝑛 ∑7𝑖=1 𝑛𝑖 𝐶𝑖2 − 𝑋 = 165 × 83781.25 − (20.379)2 = 92.461

La variance est très élevée, celle est un indicateur de la mauvaise qualité de précision.

L’écart-type : 𝜎 = √𝑉(𝑋) = √92.461 = 9.62

L’ajustement linéaire est très mauvais car l’écart-type est élevé.
Examen ENA 2015
Exercice II :
Fréquences Fréquences Ci Ci×ni 𝐶𝑖2 × 𝑛𝑖
cumulées cumulées
Modalités Effectifs Effectifs Fréquences croissantes décroissantes
Caractères ni Corrigés relatives F 1-F

[20; 25[(5) 580 (580/5)×9=1044 580/46947=0.012 0.012 1 22.5 13050 293625

(2162/4) 0.058 0.988 27 58374 1576098

[25; 29[(4) 2162 ×9=4864.5 2162/46947=0.046

[30; 39[(9) 8063 8063 8063/46947=0.172 0.23 0.942 34.5 287173.5 9596985.75

[40; 49[(9) 9569 9569 9569/46947=0.204 0.434 0.77 44.5 425820.5 18949012.25

[50; 59[(9) 10660 10660 10660/46947=0.227 0.661 0.566 54.5 580970 31662865

[60; 70[(10) 15913 14322 15913/46947=0.339 1 0.339 64.5 1026388.5 66202058.25

Total 46947 46947/46947=1 0 2391776.5 128280644.25

Population : L’exploitation agricole

Individus : L’exploitant
Caractère : Age de l’exploitant agriculteur
Modalités : Classe ou Intervalle d’âge
Les modalités sont mesurées par des intervalles et des classes où les amplitudes sont inégales.
Donc, il faut corriger les effectifs
𝑛1 580
𝑛1𝑐 = ×9= × 9 =1305
4 4
𝑛2 2162
𝑛2𝑐 = ×9= × 9 =1305
4 4

La correction des effectifs vise seulement de la représentation graphique par l’histogramme et

la détermination de classe modale.
F(Q1)=0.25, F(Q2=Me)=0.5 et F(Q3)=0.75
 60+69
Classe Modale =[60; 69[ = = 64.5
2

1. La population correspond le phénomène qui vie d’étudier : les exploitations agricultures

L’individu est la composante de cette population : exploitation
Le caractère : Age de l’agriculteur
Modalité : intervalle d’âge ou classe d’âge
2. Les fréquences relatives, fréquences cumulées croissantes et les fréquences cumulées
décroissantes
3. 𝑃(𝑋 ≥ 40) = 1 − 𝑃(𝑋 < 40) = 1 − 𝑃(𝑋 ≤ 39) = 1 − 𝐹(39) = 1 − 0.23 = 0.77 =
77%
𝑃(𝑋 ≤ 𝑥𝑖 ) = 𝐹(𝑥𝑖 ) La fonction de répartition ou fréquence cumulées croissantes
𝑃(𝑋 > 𝑥𝑖 ) = 1 − 𝑃(𝑋 ≤ 𝑥𝑖 ) = 1 − 𝐹(𝑥𝑖 )
𝑃(𝑋 < 30) = 𝑃(𝑋 ≤ 29) = 𝐹(29) = 0.058 = 5.8%.
𝑃(25 < 𝑋 ≤ 59 < 60) = 𝐹(60) − 𝐹(25) = 𝐹(59) − 𝐹(25) = 0.661 − 0.012
= 0.649 = 64.9%
𝑃(𝑥1 < 𝑋 < 𝑥2 ) = 𝐹(𝑥2 ) − 𝐹(𝑥1 )
La fonction de répartition surtout dans le cas continue, on a deux versions :
F(x)=P(X<x)=P(X≤ 𝑥)
49 → 𝐹(49) = 0.434
Me → 𝐹(Me) = 0.5
59 → 𝐹(59) = 0.661
𝑀𝑒 − 49 0.5 − 0.434 0.066
= = = 0.291
59 − 49 0.661 − 0.434 0.227
𝑀𝑒 − 49
= 0.291 → 𝑀𝑒 − 49 = 10 × 0.291 = 2.91 → 𝑀𝑒 − 49 = 2.91 → 𝑀𝑒
10
= 49 + 2.91 = 51.91 = 52
39 → 𝐹(39) = 0.23
Q1 → 𝐹(Q1) = 0.25
49 → 𝐹(49) = 0.434
𝑄1 − 39 0.25 − 0.23 0.02
= = = 0.1
39 − 49 0.434 − 0.23 0.204
𝑄1 − 39
= 0.1 → 𝑄1 − 39 = 10 × 0.1 = 1 → 𝑄1 − 39 = 1 → 𝑄1 = 39 + 1 = 40
10
F(Q2=M2)=0.5
F(Q3)=0.75
59 → 𝐹(59) = 0.661
Q3 → 𝐹(Q3) = 0.75
70 → 𝐹(70) = 1
𝑄3 − 59 0.75 − 0.661 0.089
= = = 0.262
70 − 59 1 − 0.661 0.339
𝑄3 − 59
= 0.262 → 𝑄3 − 59 = 11 × 0.262 = 2.882 → 𝑄3 − 59 = 2.882
11
𝑄3 = 59 + 2.882 = 61.882 = 63
F(D1)=0.1 ; F(D2)=0.2 ; F(D3)=0.3 ; F(D4)=0.4 ; F(D5=Me)=0.5 ; F(D6)=0.6 ;
F(D7)=0.7 ; F(D8)=0.8 ; F(D9)=0.9 et F(D10)=1

29 → 𝐹(29) = 0.058
D1 → 𝐹(D1) = 0.1
39 → 𝐹(39) = 0.23
𝐷1 − 29 0.1 − 0.058 0.042
= = = 0.244
39 − 29 0.23 − 0.058 0.172
𝐷1 − 29
= 0.244 → 𝐷1 − 29 = 10 × 0.244 = 2.44 → 𝐷1 − 29 = 2.44
10
𝐷1 = 29 + 2.44 = 31.44=32

𝑃(35 < 𝑋 < 65) = 𝐹(65) − 𝐹(35) = 0.846 − 0.161 = 0.685 = 68.5%

29 → 𝐹(29) = 0.058
35 → 𝐹(35) =?
39 → 𝐹(39) = 0.23
35 − 29 ? −0.058 ? −0.058 6
= = = = 0.6
39 − 29 0.23 − 0.058 0.172 10
? −0.058
= 0.6 →? −0.058 = 0.6 × 0.172 = 0.103 →? −0.058 = 0.103
0.172

? = 0.058 + 0.103 = 0.161 = 𝐹(35)

59 → 𝐹(59) = 0.661
65 → 𝐹(65) =?
70 → 𝐹(70) = 1
65 − 59 ? −0.661 ? −0.661 6
= = = = 0.545
70 − 59 1 − 0.661 0.339 11
? −0.661
= 0.545 →? −0.661 = 0.545 × 0.339 = 0.185 →? −0.661 = 0.185
0.339

? = 0.661 + 0.185 = 0.846 = 𝐹(65)

𝑃(35 < 𝑋 < 65) = 𝐹(65) − 𝐹(35) = 0.846 − 0.161 = 0.685 = 68.5%
 Chapitre 2 : Généralité sur les variables aléatoires

I-Variables aléatoires à une seule dimension

I-1 Variables discrètes
Soit X est une variable aléatoire réelle définie en évènement noté E={X1 ; X2 ; …….Xn}.
Les Xi ont des probabilités respectives pi avec P(X=xi)=pi
I-1-1 Fonction de répartition
La fonction de répartition de la variable X est définie par l’application suivante :
𝑅→𝑅
𝑥𝑖 → 𝐹(𝑥𝑖 ) = 𝑃(𝑋 ≤ 𝑥𝑖 ) = 𝑃(𝑋 < 𝑥𝑖 )
𝑛
′
𝐷 𝑜ù 𝐹(𝑋) = ∑ 𝑃(𝑋 = 𝑥𝑖 )
𝑖=1
La fonction de répartition est les fréquences relatives cumulées croissantes
I-1-2 L’espérance mathématique : moyenne espérée ou le rendement
𝑬(𝑿) = ∑𝒏𝒊=𝟏 𝒙𝒊 𝑷(𝑿 = 𝒙𝒊 )
𝑬(𝒄𝒕𝒆) = 𝒄𝒕𝒆
𝑬(𝒂𝑿) = 𝒂𝑬(𝑿)
𝑬(𝒂𝑿 + 𝒃𝒀) = 𝒂𝑬(𝑿) + 𝒃𝑬(𝒀)
𝑫′ 𝒐ù, 𝒍′ 𝒆𝒔𝒑é𝒓𝒂𝒏𝒄𝒆𝒎𝒂𝒕𝒉é𝒎𝒂𝒕𝒊𝒒𝒖𝒆 𝒆𝒔𝒕 𝒖𝒏 𝒐𝒑é𝒓𝒂𝒕𝒆𝒖𝒓 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆
I-1-3 la variance et l’écart-type : le moment d’ordre deux
𝑽(𝑿) = 𝑬(𝑿𝟐 ) − (𝑬(𝑿))𝟐=∑𝒏𝒊=𝟏 𝑥𝑖2 𝑷(𝑿 = 𝒙𝒊 ) − (∑𝒏𝒊=𝟏 𝒙𝒊 𝑷(𝑿 = 𝒙𝒊 ) )2
𝒏

𝑬(𝑿 𝟐)
= ∑ 𝑥𝑖2 𝑷(𝑿 = 𝒙𝒊 )𝑙𝑒 𝑚𝑜𝑚𝑒𝑛𝑡 𝑑 ′ 𝑜𝑟𝑑𝑟𝑒 2
𝒊=𝟏
2
𝜎 = √𝑉(𝑋) 𝑒𝑡 𝜎 2 = (√𝑉(𝑋) ) = 𝑉(𝑋)

𝑬(𝑿𝐤 ) = ∑𝒏𝒊=𝟏 𝑥𝑖k 𝑷(𝑿 = 𝒙𝒊 ) : le moment d’ordre k

I-1-4 La fonction génératrice des moments

On définit la fonction génératrice des moments GX(t) par l’application suivante
𝑅→𝑅
𝑛
𝑡𝑥 )
𝑡 → 𝐺𝑋 (𝑡) = 𝐸(𝑒 = ∑ 𝑒 𝑡𝑥𝑖 𝑝(𝑋 = 𝑥𝑖 )
𝑥𝑖 =1
𝜕𝐺𝑋 (𝑡) 𝜕2 𝐺𝑋 (𝑡) 𝜕𝑘 𝐺𝑋 (𝑡)
𝐸(𝑋) = ] ; 𝐸(𝑋 2 ) = ] ;……. ; 𝐸(𝑋 𝑘 ) = ]
𝜕𝑡 𝑡=0 𝜕𝑡 2 𝑡=0 𝜕𝑡 𝑘 𝑡=0

I-1-5 Variables aléatoires discrètes usuelles

 La loi de Bernoulli : Une variable X suit une loi de Bernoulli si et seulement si,
il existe deux situations contradictoires : Succès ou Echec. L’évènement
contient deux possibilité : E={Succès ;Echec} ; E={1 ;0 }
P(X=1)=p et P(X=0)=q telle que P(X=1)+P(X=0)=1, c’est-à-dire p+q=1. D’où q =1-p
 𝑬(𝑿) = ∑𝟏𝒙𝒊 =𝟎 𝒙𝒊 𝑷(𝑿 = 𝒙𝒊 ) = 0 × 𝑃(𝑋 = 0) + 1 × 𝑃(𝑋 = 1) = 0 × 𝑞 + 1 × 𝑝 =
𝐸(𝑋) = 𝑝
𝑽(𝑿) = 𝑬(𝑿𝟐 ) − (𝑬(𝑿))𝟐=∑𝒏𝒊=𝟏 𝑥𝑖2 𝑷(𝑿 = 𝒙𝒊 ) − (∑𝒏𝒊=𝟏 𝒙𝒊 𝑷(𝑿 = 𝒙𝒊 ) )2
𝟏

𝑬(𝑿𝟐 ) = ∑ 𝑥𝑖2 𝑷(𝑿 = 𝒙𝒊 ) = 02 × 𝑃(𝑋 = 0) + 12 × 𝑃(𝑋 = 1) = 0 × 𝑞 + 1 × 𝑝

𝒙𝒊 =𝟎
=𝑝
𝑽(𝑿) = 𝒑 − (𝒑)𝟐 = 𝒑 − 𝒑𝟐 = 𝒑(𝟏 − 𝒑) = 𝒑𝒒
𝐺𝑋 (𝑡) = 𝐸(𝑒 𝑋𝑡 ) = ∑𝟏𝒙𝒊 =𝟎 𝑒 𝑡𝒙𝒊 𝑷(𝑿 = 𝒙𝒊 ) = 𝑒 0×𝑡 × 𝑃(𝑋 = 0) + 𝑒 1×𝑡 𝑃(𝑋 = 1) = 1 × 𝑞 +
𝑒𝑡𝑝
𝐺𝑋 (𝑡) = 𝑞 + 𝑒 𝑡 𝑝
𝜕𝐺𝑋 (𝑡)
𝐸(𝑋) = ] = 𝑒 𝑡 𝑝]𝑡=0 = 𝑝
𝜕𝑡 𝑡=0
𝜕 2 𝐺𝑋 (𝑡)
𝐸(𝑋 2 ) = ] = 𝑒 𝑡 𝑝]𝑡=0 = 𝑝
𝜕𝑡 2 𝑡=0

𝑽(𝑿) = 𝒑 − (𝒑)𝟐 = 𝒑 − 𝒑𝟐 = 𝒑(𝟏 − 𝒑) = 𝒑𝒒

 La loi binomiale : Soient (X1 ; X2 ; …….. ; Xn) n : variables indépendantes
identiques et de distribution selon la loi de Bernoulli de paramètre p. La Variable
X est définie par :
𝑋 = ∑𝑛𝑖=1 𝑋𝑖 = 𝑋1 + 𝑋2 +
⋯ … . . +𝑋𝑛 ; 𝑋 𝑠𝑢𝑖𝑡 𝑢𝑛𝑒 𝑙𝑜𝑖 𝑏𝑖𝑛𝑜𝑚𝑖𝑎𝑙𝑒 (𝑛; 𝑝)𝑚𝑎𝑖𝑠 𝑋𝑖 𝑠𝑢𝑖𝑡 𝑙𝑎 𝑙𝑜𝑖 𝑑𝑒 𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖
𝑥
𝑃(𝑋 = 𝑥𝑖 ) = 𝐶𝑛 𝑖 𝑝 𝑥𝑖 (1 − 𝑝)𝑛−𝑥𝑖 𝑎𝑣𝑒𝑐 𝑥𝑖 = 0,1,2, … … , 𝑛
𝐺𝑋 (𝑡) = 𝐸(𝑒 𝑋𝑡 )
𝒏 𝒏
𝑡𝑥𝑖 𝑥
= ∑𝑒 𝑷(𝑿 = 𝑥𝑖 ) = ∑ 𝑒 𝑡𝑥𝑖 𝐶𝑛 𝑖 𝑝 𝑥𝑖 (1 − 𝑝)𝑛−𝑥𝑖
𝑥𝑖 =𝟎 𝑥𝑖 =𝟎
𝒏
𝑥
= ∑ 𝐶𝑛 𝑖 (𝑒 𝑡 𝑝)𝑥𝑖 (1 − 𝑝)𝑛−𝑥𝑖 = (𝑒 𝑡 𝑝 + 1 − 𝑝)𝑛 = (𝑒 𝑡 𝑝 + 𝑞)𝑛
𝑥𝑖 =𝟎

(𝑎 + 𝑏)𝑛 = ∑ 𝐶𝑥𝑛𝑖 𝑎 𝑥𝑖 𝑏 𝑛−𝑥𝑖

𝑥𝑖 =0

𝜕𝐺𝑋 (𝑡)
𝐸(𝑋) = ] = 𝑛(𝑒 𝑡 𝑝)(𝑒 𝑡 𝑝 + 𝑞)𝑛−1 ]𝑡=0 = 𝑛𝑝(𝑝 + 𝑞)𝑛−1 = 𝑛𝑝
𝜕𝑡 𝑡=0
 𝜕 2 𝐺𝑋 (𝑡)
𝐸(𝑋 2 ) = ] = 𝑛(𝑒 𝑡 𝑝)(𝑒 𝑡 𝑝 + 𝑞)𝑛−1 + 𝑛(𝑒 𝑡 𝑝)(𝑛 − 1)(𝑒 𝑡 𝑝)(𝑒 𝑡 𝑝 + 𝑞)𝑛−2 ]𝑡=0
𝜕𝑡 2 𝑡=0
= 𝑛𝑝(𝑝 + 𝑞)𝑛−1 + 𝑛(𝑛 − 1)𝑝 × 𝑝 × (𝑝 + 𝑞)𝑛−2 = 𝑛𝑝 + 𝑛(𝑛 − 1)𝑝2
= 𝑛𝑝 + 𝑛2 𝑝2 − 𝑛𝑝2
𝟐
𝑽(𝑿) = 𝑬(𝑿𝟐 ) − (𝑬(𝑿)) = 𝑛𝑝 + 𝑛2 𝑝2 − 𝑛𝑝2 − (𝑛𝑝)2 = 𝑛𝑝 + 𝑛2 𝑝2 − 𝑛𝑝2 − 𝑛2 𝑝2
= 𝑛𝑝 − 𝑛𝑝2 = 𝑛𝑝(1 − 𝑝) = 𝑛𝑝𝑞
(𝑎 + 𝑏)𝑛 = ∑𝒏𝒌=𝟎 𝐶𝑛𝑘 (a)𝑘 (𝑏)𝑛−𝑘

(𝑎 + 𝑏)2 = ∑𝟐𝒌=𝟎 𝐶2𝑘 (a)𝑘 (𝑏)𝑛−𝑘 =𝐶20 (a)0 (𝑏)2 + 𝐶21 (a)1 (𝑏)1 + 𝐶22 (a)2 (𝑏)0 = 𝑏 2 + 2𝑎𝑏 +
𝑎2
0! = 1; 1! = 1; 𝑛! = 𝑛 × (𝑛 − 1) × (𝑛 − 2) … … … … . .× 2 × 1
𝑝
𝑛! 𝑛! 𝐴𝑛
𝐶𝑛𝑝 = 𝑝!(𝑛−𝑝)! 𝑒𝑡 𝐴𝑝𝑛 = (𝑛−𝑝)! ; 𝐶𝑛𝑝 = 𝑝!

2! 2! 2! 2 2!
𝐶20 = 0!(2−0)! = 1; 𝐶21 = 1!(2−1)! = 1!1! = 1 = 2 𝑒𝑡 𝐶22 = 2!(2−2)! = 1

 La loi de Poison : X suit une loi de Poison de paramètre 𝜃 noté P(𝜃)

𝜃 𝑥𝑖
P(X=𝑥𝑖 ) = 𝑒 −𝜃 ∀ 𝑥𝑖 ∈ 𝑁
𝑥𝑖 !

𝑛 𝑛 𝑛
𝑡𝑥 𝑡𝑥 𝑡𝑥 −𝜃
𝜃 𝑥𝑖 −𝜃 𝑡𝑥
𝜃 𝑥𝑖
𝐺𝑋 (𝑡) = 𝐸(𝑒 ) = ∑ 𝑒 𝑃(𝑋 = 𝑥𝑖 ) = ∑ 𝑒 𝑒
𝑖 𝑖 =𝑒 ∑𝑒 𝑖
𝑥𝑖 ! 𝑥𝑖 !
𝑥𝑖 =0 𝑥𝑖 =0 𝑥𝑖 =0
𝑛
−𝜃
(𝜃𝑒 𝑡 )𝑥𝑖 𝑡 𝑡
𝐺𝑋 (𝑡) = 𝑒 ∑ = 𝑒 −𝜃 𝑒 𝜃𝑒 = 𝑒 𝜃(𝑒 −1)
𝑥𝑖 !
𝑥𝑖 =0
𝑛 𝑛

∑ 4𝑋𝑖 = 4 ∑ 𝑋𝑖
𝑖=0 𝑖=0

𝑓′(0) 𝑓′′(0) 𝑓 (𝑛) (0)

𝑓(𝑋) = 𝑓(0) + 𝑋 + 𝑋2 + ⋯ … … … + 𝑋𝑛 + 𝑋 𝑛 𝜀(𝑋)
1! 2! 𝑛!
𝑛
𝑋
𝑋2 𝑋3 𝑋𝑛 𝑋 𝑥𝑖
𝑒 =1+𝑋+ + + ⋯………+ = ∑
2! 3! 𝑛! 𝑥𝑖 !
𝑥𝑖 =0

𝑜𝑛 𝑝𝑜𝑠𝑒 𝑎𝑢𝑡𝑟𝑒𝑓𝑜𝑖𝑠 𝑋 = 𝜃𝑒 𝑡
𝑛
𝜃𝑒 𝑡 𝑡
(𝜃𝑒 𝑡 )2 (𝜃𝑒 𝑡 )3 (𝜃𝑒 𝑡 )𝑛 (𝜃𝑒 𝑡 )𝑥𝑖
𝑒 = 𝜃 + (𝜃𝑒 ) + + + ⋯…………+ = ∑
2! 3! 𝑛! 𝑥𝑖 !
𝑥𝑖 =0
 𝑛
−𝜃
(𝜃𝑒 𝑡 )𝑥𝑖 𝑡 𝑡
𝐺𝑋 (𝑡) = 𝑒 ∑ = 𝑒 −𝜃 𝑒 𝜃𝑒 = 𝑒 𝜃(𝑒 −1)
𝑥𝑖 !
𝑥𝑖 =0

𝜕𝐺𝑋 (𝑡) 𝑡 −1) 0 −1)

𝐸(𝑋) = ] = 𝜃𝑒 𝑡 𝑒 𝜃(𝑒 ]𝑡=0 = 𝜃 × 𝑒 0 𝑒 𝜃(𝑒 = 𝜃 × 1 × 𝑒 𝜃(1−1) = 𝜃 × 1 × 1 = 𝜃
𝜕𝑡 𝑡=0

𝑓(𝑥)𝑒 𝑢(𝑥) 𝑒𝑡 𝑓 ′ (𝑥) = 𝑢′ (𝑥)𝑒 𝑢(𝑥)

𝑢(𝑥) = 𝜃(𝑒 𝑡 − 1) = 𝜃𝑒 𝑡 − 𝜃
𝑢′ (𝑥) = 𝜃𝑒 𝑡

𝜕2 𝐺𝑋 (𝑡) 𝑡 −1) 𝑡 −1) 0 −1) 0 −1)

𝐸(𝑋 2 ) = ] = 𝜃𝑒 𝑡 𝑒 𝜃(𝑒 + 𝜃 2 𝑒 2𝑡 𝑒 𝜃(𝑒 ]𝑡=0 = 𝜃𝑒 0 𝑒 𝜃(𝑒 + 𝜃 2 𝑒 2×0 𝑒 𝜃(𝑒 =
𝜕𝑡 2 𝑡=0
𝜃 + 𝜃2
𝑓(𝑡) = 𝑒 𝑡 𝑒𝑡 𝑓′(𝑡) = 𝑒 𝑡
𝑡 −1) 𝑡 −1)
𝑔(𝑡) = 𝑒 𝜃(𝑒 𝑒𝑡 𝑔′ (𝑡) = 𝜃𝑒 𝑡 𝑒 𝜃(𝑒
𝑡 −1)
ℎ(𝑥) = 𝜃𝑒 𝑡 𝑒 𝜃(𝑒 = 𝜃𝑓(𝑥)𝑔(𝑥)
𝑡 −1) 𝑡 −1)
ℎ′ (𝑥) = [𝜃(𝑓 × 𝑔)]′ (𝑥) = 𝜃(𝑓 ′ (𝑥)𝑔(𝑥) + 𝑔′ (𝑥)𝑓(𝑥)) = 𝜃(𝑒 𝑡 𝑒 𝜃(𝑒 + 𝜃𝑒 𝑡 𝑒 𝜃(𝑒 𝑒𝑡)
𝑡 −1) 𝑡 −1)
ℎ′ (𝑥) = 𝜃𝑒 𝑡 𝑒 𝜃(𝑒 + 𝜃 2 𝑒 2𝑡 𝑒 𝜃(𝑒
2
𝑉(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋)) = 𝜃 + 𝜃 2 − 𝜃 2 = 𝜃 = 𝐸(𝑋)

I-2 Variables Continues

I-2-1 La densité de probabilité
Soit X une variable aléatoire réelle continue par une fonction notée f. Cette fonction est une
densité de probabilité si et seulement si 𝑓(𝑋) ≥ 0 𝑒𝑡 ∫𝑑𝑓 𝑓(𝑋)𝑑𝑥 = 1

Exemple : Déterminer la valeur de k pour que la fonction f(x)=kx soit une densité de
probabilité sur l’intervalle [0 ;1]
1 1 1 1 1
f(x) = kx ≥ 0 ∀ X ∈ ]0 ; 1[ et ∫0 𝑘𝑥𝑑𝑥 = 1 𝐷′ 𝑜ù [𝑘 × 1+1 𝑥1+1 ] = [𝑘 × 2 𝑥 2 ] = 1
0 0

𝑘 21 𝑘 𝑘 𝑘
[ 𝑥 ] = 1 → (1)2 − (0)2 = 1 → = 1 → 𝑘 = 2 × 1 = 2
2 0 2 2 2
𝑓(𝑥) = 2𝑥
1
𝑓(𝑥) = 𝑥 𝑛 𝐹(𝑥) = 𝑥 𝑛+1
𝑛+1
𝑓(𝑥) = 𝑐𝑡𝑒 = 𝑎 𝐹(𝑥) = 𝑐𝑡𝑒𝑥 = 𝑎𝑥
𝐹 ′ (𝑥) = 𝑓(𝑥)
1 1
𝑓(𝑥) = 2𝑥 𝑒𝑡 𝐹(𝑥) = 2 × 𝑥1+1 = 2 × 𝑥 2 = 𝑥 2
1+1 2
𝐹 ′ (𝑥) = 2𝑥 = 𝑓(𝑥)
𝑓(𝑥) = 𝐶𝑜𝑠(𝑥) 𝐹(𝑥) = Sin(𝑥)
𝑓(𝑥) = sin(𝑥) → 𝐹(𝑥) = −𝑐𝑜𝑠(𝑥)
2 2 2
𝑓(𝑥) = 2𝑥𝑒 𝑥 = (𝑥 2 )′𝑒 𝑥 → 𝐹(𝑥) = 𝑒 𝑥
1
𝑓(𝑥) = → 𝐹(𝑥) = 𝐿𝑜𝑔(𝑥)
𝑥
I-2-2 Fonction de répartition
Soit X une variable aléatoire réelle continue et f sa densité de probabilité. La fonction de
répartition X est définie par :
𝑓(𝑥) = 𝑃(𝑋 < 𝑥) = 𝑃(𝑋 ≤ 𝑥)

Exemple : L’exemple précèdent avec une fonction égale à f(x)=2x ∀ 𝑥 ∈ [0; 1]

0 ∀𝑥 < 0
𝑥
∫ 2𝑡𝑑𝑡 = [𝑡 2 ]0𝑥 = 𝑥 2 − 02 = 𝑥 2 ∀ 0≤𝑡<𝑥
𝐹(𝑥) = 0
1
∫ 2𝑡𝑑𝑡 = [𝑡 2 ]10 = 12 − 02 = 12 = 1 ∀𝑥 ≥1
{ 0
𝑥
1 1+1 𝑥
𝐹(𝑥) = ∫ 2𝑡𝑑𝑡 = [2 × 𝑡 ] = [𝑡 2 ]0𝑥 = 𝑥 2 − 02 = 𝑥 2
0 1+1 0

I-2-3 Espérance mathématique

𝑬(𝑿) = ∫ 𝒙𝒇(𝒙)𝒅𝒙
𝒅𝒇

1 1 1 1 2 1 2 2
𝑓(𝑥) = 2𝑥 𝑒𝑡 𝐸(𝑋) = ∫0 𝑥2𝑥𝑑𝑥 =∫0 2𝑥 2 𝑑𝑥 =[2 × 2+1 𝑥 2+1 ] = [3 𝑥 3 ] = 3 × 13 − 3 × 03 =
0 0
2 2
. D’où 𝐸(𝑋) = 3
3

I-2-4 Les moments d’ordre k

𝑬(𝑿𝒌 ) = ∫ 𝒙𝒌 𝒇(𝒙)𝒅𝒙
𝒅𝒇

𝟐 𝟏 2 𝟐 𝟏 𝟒 𝟗 𝟖 𝟏
𝑽(𝑿) = 𝑬(𝑿𝟐 ) − (𝑬(𝑿)) = −( ) = − = − =
𝟐 3 𝟐 𝟗 𝟏𝟖 𝟏𝟖 𝟏𝟖
 𝟏
𝟐)
𝟏
𝟐
𝟏
𝟐
𝟏 𝟑+𝟏
𝟏 𝟒 𝟏
𝟏
𝟑
𝑬(𝑿 = ∫ 𝒙 𝒇(𝒙)𝒅𝒙 = ∫ 𝒙 × 𝟐𝒙 𝒅𝒙 = ∫ 𝟐𝒙 𝒅𝒙 = [𝟐 × 𝒙 ] =[ 𝒙 ]
𝟎 𝟎 𝟎 𝟑+𝟏 𝟎 𝟐 𝟎
𝟏 𝟏 𝟏
= × 𝟏𝟒 − × 𝟎𝟒 =
𝟐 𝟐 𝟐
I-2-5 Fonction génératrice des moments

𝑮𝑿 (𝒕) = 𝑬(𝒆𝒕𝑿 ) = ∫ 𝒆𝒕𝒙 𝒇(𝒙)𝒅𝒙

I-2-6 Les lois des variables continues usuelles

 La loi uniforme sur [a ; b]
X : suit une loi uniforme sur [a ; b] noté U(a ; b) si sa densité de probabilité est définie par :
1
𝑓(𝑥) = { 𝑏 − 𝑎 ∀ 𝑥 ∈ ]𝑎; 𝑏[
0 𝑠𝑖𝑛𝑜𝑛
La fonction de répartition de la loi uniforme :
𝟎 ∀ 𝒙<𝒂
𝒙−𝒂
𝑭(𝒙) = { 𝒃−𝒂 ∀ 𝒂≤𝒕<𝒙
𝟏 ∀ 𝒙≥𝒃
𝒙 𝒙
𝟏 𝟏 𝟏 𝟏 𝒙−𝒂
𝑭(𝒙) = ∫ 𝒅𝒕 = [ 𝒕] = ×𝒙− ×𝒂=
𝒂 𝒃−𝒂 𝒃−𝒂 𝒂 𝒃−𝒂 𝒃−𝒂 𝒃−𝒂
𝒃
𝟏 𝟏 𝟏 𝟐 𝒃
𝒃
𝟏 𝟐
𝒃
𝑬(𝑿) = ∫ 𝒙𝒇(𝒙)𝒅𝒙 = ∫ 𝒙 𝒅𝒙 = [ × 𝒙 ] =[ 𝒙 ]
𝒂 𝒂 𝒃−𝒂 𝒃−𝒂 𝟐 𝒂 𝟐(𝒃 − 𝒂) 𝒂
𝟐 𝟐 𝟐 𝟐 (𝒃 − 𝒂)(𝒃 + 𝒂) 𝒃 + 𝒂
𝒃 𝒂 𝒃 −𝒂
= − = = =
𝟐(𝒃 − 𝒂) 𝟐(𝒃 − 𝒂) 𝟐(𝒃 − 𝒂) 𝟐(𝒃 − 𝒂) 𝟐
𝒃 𝒃
𝟏 𝟏 𝟏 𝟑 𝒃 𝟏 𝒃
𝑬(𝑿𝟐 ) = ∫ 𝒙𝟐 𝒇(𝒙)𝒅𝒙 = ∫ 𝒙𝟐 𝒅𝒙 = [ × 𝒙 ] =[ 𝟑
𝒙 ]
𝒂 𝒂 𝒃−𝒂 𝒃−𝒂 𝟑 𝒂 𝟑(𝒃 − 𝒂) 𝒂

𝟏 𝟑 𝟏 𝒃𝟑 −𝒂𝟑
𝐸(𝑋 2 ) = 𝟑(𝒃−𝒂) 𝒃 − 𝟑(𝒃−𝒂) 𝒂𝟑 = 𝟑(𝒃−𝒂)=

𝟐
2)
𝒃𝟑 − 𝒂𝟑
2 𝒃+𝒂 𝒃𝟑 − 𝒂𝟑 𝒃𝟐 + 𝟐𝒂𝒃 + 𝒂𝟐
𝑉(𝑋) = 𝐸(𝑋 − (𝐸(𝑋)) = −( ) = −( )
𝟑(𝒃 − 𝒂) 𝟐 𝟑(𝒃 − 𝒂) 𝟒
𝟑 𝟐
4𝒃 − 𝟒𝒂𝟑 + 𝟑(𝒃 − 𝒂) (−𝒃 − 𝟐𝒂𝒃 − 𝒂𝟐 )
𝑉(𝑋) =
12(𝑏 − 𝑎)
𝟑 𝟑 𝟐 𝟐
4𝒃 − 𝟒𝒂𝟑 − 𝟑𝒃 − 𝟔𝒂𝒃 − 𝟑𝒃𝒂𝟐 + 𝟑𝒂𝒃 + 𝟔𝒂𝟐 𝒃 + 𝟑𝒂𝟑
=
12(𝑏 − 𝑎)
3 3 2 2
𝑏 − 𝑎 − 3𝑎𝑏 + 3𝑎 𝑏 (𝑏 − 𝑎)3 (𝑏 − 𝑎)2 (𝑏 − 𝑎) 2
= = = =( )
12(𝑏 − 𝑎) 12(𝑏 − 𝑎) 12 √12
(𝒃 − 𝒂)𝟑 = 𝒃𝟑 − 𝟑𝒂𝒃𝟐 + 𝟑𝒂𝟐 𝒃 − 𝒂𝟑
𝟑

(𝒃 − 𝒂)𝟑 = ∑ 𝑪𝒊𝟑 𝒃𝒊 (−𝒂)𝒏−𝒊 ∀ 𝒊 = 𝟎, 𝟏, 𝟐, 𝟑

𝒊=𝟎

 La loi normale
X suit une loi normale de moyenne m et de variance 𝜎 2 et leur densité de probabilité est définie
sous la forme suivante :
1 −1 𝑥−𝑚 2
( )
𝑓(𝑥) = 𝑒 2 𝜎
√2𝜋𝜎
Une loi normale possède trois propriétés essentielles à savoir :
Identique : 𝐸(𝑋1 ) = 𝐸(𝑋2 ) = ⋯ … … … . = 𝐸(𝑋𝑛 ) = 𝑚 et 𝑉(𝑋1 ) = 𝑉(𝑋2 ) = ⋯ = 𝑉(𝑋𝑛 ) =
𝜎2
Indépendante : 𝐶𝑜𝑣(𝑋1 ; 𝑋2 ) = 𝐶𝑜𝑣(𝑋2 ; 𝑋3 ) = 𝐶𝑜𝑣(𝑋3 ; 𝑋4 ) = ⋯ … … . . = 𝐶𝑜𝑣(𝑋𝑛 ; 𝑋𝑛−1 ) = 0
−1 𝑥−𝑚 2
1
𝑒2( )
La densité de probabilité ou de distribution : 𝑓(𝑥) = 𝜎
√2𝜋𝜎

𝑿𝒊 ~𝑵(𝒎; 𝝈𝟐 ) 𝒐𝒖 𝑿𝒊 ~𝒊𝒊𝒅(𝒎; 𝝈𝟐 )

 La loi normale centrée réduite

𝑿𝒊 − 𝒎
𝑿𝒊 ~𝒊𝒊𝒅(𝒎; 𝝈𝟐 ) 𝒆𝒕 𝒐𝒏 𝒑𝒐𝒔𝒆 𝒁𝒊 = ~𝒊𝒊𝒅(𝟎, 𝟏)𝒐𝒖 𝑵(𝟎, 𝟏)
𝝈
𝑿𝒊 − 𝒎 𝟏 𝟏 𝟏
𝑬(𝒁𝒊 ) = 𝑬 ( )= 𝑬(𝑿𝒊 − 𝒎) = (𝑬(𝑿𝒊 ) − 𝑬(𝒎)) = (𝒎 − 𝒎 ) = 𝟎
𝝈 𝝈 𝝈 𝝈
𝑿𝒊 − 𝒎 𝟏 𝟏 𝟏
𝑽(𝒁𝒊 ) = 𝑽 ( )= 𝑽(𝑿𝒊 − 𝒎) = 𝑽(𝑿𝒊 ) = × 𝝈𝟐 = 𝟏
𝝈 𝝈𝟐 𝝈𝟐 𝝈𝟐
Correction de l’examen MQ juillet 2010
Exercice n° I :
1. Y1 ; Y2 ;….. ; Yn représentent les gains moyens de l’entreprise durant des périodes
différentes
𝒏
𝟏
𝒀𝒏 = ∑ 𝑿𝒊
𝒏
𝒊=𝟏
𝟏
𝟏
𝒀𝟏 = ∑ 𝑿𝒊 = 𝑿𝟏
𝟏
𝒊=𝟏
 𝟐
𝟏 𝟏 𝑿𝟏 + 𝑿𝟐
𝒀𝟐 = ∑ 𝑿𝒊 = (𝑿𝟏 + 𝑿𝟐 ) =
𝟐 𝟐 𝟐
𝒊=𝟏

2. 𝑬(𝒀𝟏 ) = 𝑬(𝑿𝟏 ) = 𝒎
𝑿𝟏 + 𝑿𝟐 𝟏 𝒎+𝒎
𝑬(𝒀𝟐 ) = 𝑬 ( ) = (𝑬(𝑿𝟏 ) + 𝑬(𝑿𝟐 )) = =𝒎
𝟐 𝟐 𝟐
𝑿𝟏 + 𝑿𝟐 + 𝑿𝟑 𝟏 𝒎+𝒎+𝒎
𝑬(𝒀𝟑 ) = 𝑬 ( ) = (𝑬(𝑿𝟏 ) + 𝑬(𝑿𝟐 ) + 𝑬(𝑿𝟑 )) = =𝒎
𝟑 𝟑 𝟑
𝑿𝟏 + 𝑿𝟐 + 𝑿𝟑 + ⋯ . . + 𝟏
𝑬(𝒀𝒏 ) = 𝑬 ( ) = (𝑬(𝑿𝟏 ) + 𝑬(𝑿𝟐 ) + 𝑬(𝑿𝟑 ) + ⋯ … 𝑬(𝑿𝒏 ))
𝒏 𝒏
𝒎 + 𝒎 + 𝒎 + ⋯ … . +𝒎
= =𝒎
𝒏
3. 𝑽(𝒀𝟏 ) = 𝑽(𝑿𝟏 ) = 𝝈𝟐
𝑿𝟏 + 𝑿𝟐 𝟏 𝝈𝟐 + 𝝈𝟐 𝝈𝟐
𝑽(𝒀𝟐 ) = 𝑽 ( ) = (𝑽(𝑿𝟏 ) + 𝑽(𝑿𝟐 )) = =
𝟐 𝟒 𝟒 𝟐
𝑿𝟏 + 𝑿𝟐 + 𝑿𝟑 𝟏 𝝈𝟐 + 𝝈𝟐 + 𝝈𝟐 𝝈𝟐
𝑽(𝒀𝟑 ) = 𝑽 ( ) = (𝑽(𝑿𝟏 ) + 𝑽(𝑿𝟐 ) + 𝑽(𝑿𝟑 )) = =
𝟑 𝟗 𝟗 𝟑
𝑿𝟏 + 𝑿𝟐 + 𝑿𝟑 + ⋯ . . +𝑿𝒏
𝑽(𝒀𝒏 ) = 𝑽 ( )
𝒏
𝟏
= 𝟐 (𝑽(𝑿𝟏 ) + 𝑽(𝑿𝟐 ) + 𝑽(𝑿𝟑 ) + ⋯ … + 𝑽(𝑿𝒏 ))
𝒏
𝝈𝟐 + 𝝈𝟐 + 𝝈𝟐 + ⋯ . . +𝝈𝟐 𝒏𝝈𝟐 𝝈𝟐
= = 𝟐 =
𝒏𝟐 𝒏 𝒏
𝝈𝟏 = √𝑽(𝒀𝟏 ) = √𝝈𝟐 = 𝝈

𝝈𝟐 𝝈
𝝈𝟐 = √𝑽(𝒀𝟐 ) = √ 𝟐 =
√𝟐

𝝈𝟐 𝝈
𝝈𝟑 = √𝑽(𝒀𝟑 ) = √ 𝟑 =
√𝟑

𝝈𝟐 𝝈
𝝈𝟑 = √𝑽(𝒀𝒏 ) = √ 𝒏 =
√𝒏

4. 𝑽(𝒀𝒊 ) = 𝑬(𝒀𝟐𝒊 ) − (𝑬(𝒀𝒊 ))𝟐 → 𝑬(𝒀𝟐𝒊 ) = 𝑽(𝒀𝒊 ) + (𝑬(𝒀𝒊 ))𝟐

𝑬(𝒀𝟐𝟏 ) = 𝑽(𝒀𝟏 ) + (𝑬(𝒀𝟏 ))𝟐 = 𝝈𝟐 + 𝒎𝟐

𝝈𝟐
𝑬(𝒀𝟐𝟐 ) = 𝑽(𝒀𝟐 ) + (𝑬(𝒀𝟐 ))𝟐 = + 𝒎𝟐
𝟐
𝝈𝟐
𝑬(𝒀𝟐𝟑 ) = 𝑽(𝒀𝟑 ) + (𝑬(𝒀𝟑 ))𝟐 = + 𝒎𝟐
𝟑
𝝈𝟐
𝑬(𝒀𝟐𝒏 ) = 𝑽(𝒀𝒏 ) + (𝑬(𝒀𝒏 ))𝟐 = + 𝒎𝟐
𝒏
5. 𝑪𝒐𝒗(𝒀𝟏 ; 𝒀𝟏 ) = 𝑽(𝒀𝟏 ) = 𝝈𝟐
 𝝈𝟐
𝑪𝒐𝒗(𝒀𝟐 ; 𝒀𝟐 ) = 𝑽(𝒀𝟐 ) =
𝟐
𝝈𝟐
𝑪𝒐𝒗(𝒀𝟑 ; 𝒀𝟑 ) = 𝑽(𝒀𝟑 ) =
𝟑
𝑿𝟏 +𝑿𝟐 𝟏
𝑪𝒐𝒗(𝒀𝟏 ; 𝒀𝟐 ) = 𝑪𝒐𝒗(𝒀𝟐 ; 𝒀𝟏 ) = 𝑪𝒐𝒗 (𝑿𝟏 ; ) = 𝟐 𝑪𝒐𝒗(𝑿𝟏 ; 𝑿𝟏 + 𝑿𝟐 ) =
𝟐
𝟏 𝟏 𝟏 𝝈𝟐
𝑪𝒐𝒗(𝑿𝟏 ; 𝑿𝟏 )+𝟐 𝑪𝒐𝒗(𝑿𝟏 ; 𝑿𝟐 ) = 𝟐 𝑽(𝑿𝟏 ) =
𝟐 𝟐

𝑿𝟏 + 𝑿𝟐 + 𝑿𝟑 𝟏
𝑪𝒐𝒗(𝒀𝟏 ; 𝒀𝟑 ) = 𝑪𝒐𝒗(𝒀𝟑 ; 𝒀𝟏 ) = 𝑪𝒐𝒗 (𝑿𝟏 ; ) = 𝑪𝒐𝒗(𝑿𝟏 ; 𝑿𝟏 + 𝑿𝟐 + 𝑿𝟑 )
𝟑 𝟑
𝟏 𝝈𝟐
= 𝑽(𝑿𝟏 ) =
𝟑 𝟑
𝑿𝟏 +𝑿𝟐 𝑿𝟏 +𝑿𝟐 +𝑿𝟑 𝟏 𝟏
𝑪𝒐𝒗(𝒀𝟐 ; 𝒀𝟑 ) = 𝑪𝒐𝒗(𝒀𝟑 ; 𝒀𝟐 ) = 𝑪𝒐𝒗 ( ; ) = 𝟐 × 𝟑 𝑪𝒐𝒗(𝑿𝟏 + 𝑿𝟐 ; 𝑿𝟏 +
𝟐 𝟑
𝟏 𝟏 𝟏 𝝈𝟐 𝝈𝟐 𝝈𝟐
𝑿𝟐 + 𝑿𝟑 ) = 𝟔 𝑪𝒐𝒗(𝑿𝟏 + 𝑿𝟐 ; 𝑿𝟏 + 𝑿𝟐 + 𝑿𝟑 ) = 𝟔 𝑽(𝑿𝟏 ) + 𝟔 𝑽(𝑿𝟐 ) = + =
𝟔 𝟔 𝟑

𝑪𝒐𝒗(𝒀𝟏 ; 𝒀𝟏 ) 𝑽(𝒀𝟏 )
𝝆𝒀𝟏 ;𝒀𝟏 = = =𝟏
√𝑽(𝒀𝟏 )√𝑽(𝒀𝟏 ) 𝑽(𝒀𝟏 )

𝑪𝒐𝒗(𝒀𝟐 ; 𝒀𝟐 ) 𝑽(𝒀𝟐 )
𝝆𝒀𝟐 ;𝒀𝟐 = = =𝟏
√𝑽(𝒀𝟐 )√𝑽(𝒀𝟐 ) 𝑽(𝒀𝟐 )

𝑪𝒐𝒗(𝒀𝟑 ; 𝒀𝟑 ) 𝑽(𝒀𝟑 )
𝝆𝒀𝟑 ;𝒀𝟑 = = =𝟏
√𝑽(𝒀𝟑 )√𝑽(𝒀𝟑 ) 𝑽(𝒀𝟑 )

𝝈𝟐 𝝈𝟐
𝑪𝒐𝒗(𝒀𝟏 ; 𝒀𝟐 ) √𝟐 𝝅 𝝅
𝝆𝒀𝟏 ;𝒀𝟐 = = 𝟐 = 𝟐𝟐 = = 𝑺𝒊𝒏 ( ) = 𝑪𝒐𝒔 ( )
√𝑽(𝒀𝟏 )√𝑽(𝒀𝟐 ) 𝝈𝟐 𝝈 𝟐 𝟒 𝟒
𝝈√𝟐 √𝟐
𝝈𝟐 𝝈𝟐
𝑪𝒐𝒗(𝒀𝟏 ; 𝒀𝟑 ) √𝟑 𝟏
𝝆𝒀𝟏 ;𝒀𝟑 = = 𝟑 = 𝟑𝟐 = =
√𝑽(𝒀𝟏 )√𝑽(𝒀𝟑 ) 𝝈𝟐 𝝈 𝟑 √𝟑
𝝈√𝟑 √𝟑
𝝈𝟐
𝝈𝟐
𝑪𝒐𝒗(𝒀𝟐 ; 𝒀𝟑 ) 𝟑 √𝟔 √𝟐 × 𝟑 √𝟐 𝟏 𝟏
𝝆𝒀𝟐 ;𝒀𝟑 = = = 𝟑𝟐 = = = = =
√𝟑 √𝟑 𝑪𝒐𝒔(𝝅)
𝝈 𝟑 𝟐
√𝑽(𝒀𝟐 )√𝑽(𝒀𝟑 ) √𝝈𝟐 √𝝈𝟐 (√𝟑) 𝟔
𝟐 𝟑 √𝟔 √𝟐
𝟏 𝑿𝟏 +𝑿𝟐 +⋯………….+𝑿𝒏
6. 𝒀𝒏 = 𝒏 ∑𝒏𝒊=𝟏 𝑿𝒊 = 𝒏
𝒏−𝟏
𝟏 𝑿𝟏 + 𝑿𝟐 + ⋯ … … … … . +𝑿𝒏−𝟏
𝒀𝒏−𝟏 = ∑ 𝑿𝒊 =
𝒏−𝟏 𝒏−𝟏
𝒊=𝟏
 𝒏
𝟏 𝑿𝟏 + 𝑿𝟐 + ⋯ … … … … . +𝑿𝒏−𝟏 + 𝑿𝒏
𝒀𝒏 = ∑ 𝑿𝒊 =
𝒏 𝒏
𝒊=𝟏
𝟏 𝑿𝒏
= (𝑿𝟏 + 𝑿𝟐 + ⋯ … … … … . +𝑿𝒏−𝟏 ) +
𝒏 𝒏
𝟏 𝟏 (𝒏−𝟏) 𝟏 (𝒏−𝟏)𝒀𝒏−𝟏 +𝑿𝒏
𝒀𝒏 = 𝒏 ∑𝒏−𝟏
𝒊=𝟏 𝑿𝒊 + 𝒏 𝑿𝒏 = 𝒀𝒏−𝟏 + 𝒏 𝑿𝒏 =
𝒏 𝒏
𝒏−𝟏 𝒏−𝟏
𝟏
𝒀𝒏−𝟏 = ∑ 𝑿𝒊 → ∑ 𝑿𝒊 = (𝒏 − 𝟏) 𝒀𝒏−𝟏
𝒏−𝟏
𝒊=𝟏 𝒊=𝟏

𝟏 𝟏 (𝒏−𝟏) 𝟏 (𝒏−𝟏)𝒀𝒏−𝟏 +𝑿𝒏

𝒀𝒏 = 𝒏 ∑𝒏−𝟏
𝒊=𝟏 𝑿𝒊 + 𝒏 𝑿𝒏 = 𝒀𝒏−𝟏 + 𝒏 𝑿𝒏 =
𝒏 𝒏

(𝒏 − 𝟏)𝒀𝒏−𝟏 + 𝑿𝒏 = 𝒏 × 𝒀𝒏

Correction de l’examen Août 2016

Exercice n°I
𝒀𝟏 = 𝑿𝟏 + 𝑿𝟐 et 𝒀𝟐 = 𝑿𝟏 + 𝟐𝑿𝟐
1. 𝑬(𝒀𝟏 ) = 𝑬(𝑿𝟏 + 𝑿𝟐 ) = 𝑬(𝑿𝟏 ) + 𝑬(𝑿𝟐 ) = 𝟎
𝑬(𝒀𝟐 ) = 𝑬(𝑿𝟏 + 𝟐𝑿𝟐 ) = 𝑬(𝑿𝟏 ) + 𝟐𝑬(𝑿𝟐 ) = 𝟎
𝑽(𝒀𝟏 ) = 𝑽(𝑿𝟏 + 𝑿𝟐 ) = 𝑽(𝑿𝟏 ) + 𝑽(𝑿𝟐 ) + 𝟐𝑪𝒐𝒗(𝑿𝟏 ; 𝑿𝟐 ) = 𝟏 + 𝟏 + 𝟐𝒄 = 𝟐 + 𝟐𝒄
𝑽(𝒀𝟐 ) = 𝑽(𝑿𝟏 + 𝟐𝑿𝟐 ) = 𝑽(𝑿𝟏 ) + 𝑽(𝟐𝑿𝟐 ) + 𝟐𝑪𝒐𝒗(𝑿𝟏 ; 𝟐𝑿𝟐 ) = 𝑽(𝑿𝟏 ) +
𝟒𝑽(𝑿𝟐 ) + 𝟒𝑪𝒐𝒗(𝑿𝟏 ; 𝑿𝟐 ) = 𝟏 + 𝟒 + 𝟒𝒄=5+4c
𝒀 𝑽(𝒀𝟏 ) 𝑪𝒐𝒗(𝒀𝟏 ; 𝒀𝟐 ) 𝟐 + 𝟐𝒄 𝟑 + 𝟑𝒄
2. V(Y)=𝑽 (⌈ 𝟏 ⌉) = ( )=( )
𝒀𝟐 𝑪𝒐𝒗(𝒀𝟐 ; 𝒀𝟏 ) 𝑽(𝒀𝟐 ) 𝟑 + 𝟑𝒄 𝟓 + 𝟒𝒄

𝑪𝒐𝒗(𝒀𝟏 ; 𝒀𝟐 ) = 𝑪𝒐𝒗(𝑿𝟏 + 𝑿𝟐 ; 𝑿𝟏 + 𝟐𝑿𝟐 )

= 𝑪𝒐𝒗(𝑿𝟏 ; 𝑿𝟏 ) + 𝑪𝒐𝒗(𝑿𝟏 ; 𝟐𝑿𝟐 ) + 𝑪𝒐𝒗(𝑿𝟐 ; 𝑿𝟏 ) + 𝑪𝒐𝒗(𝑿𝟐 ; 𝟐𝑿𝟐 )
= 𝑽(𝑿𝟏 ) + 𝟐𝑪𝒐𝒗(𝑿𝟏 ; 𝑿𝟐 ) + 𝑪𝒐𝒗(𝑿𝟏 ; 𝑿𝟐 ) + 𝟐𝑽(𝑿𝟐 )
= 𝟏 + 𝟐𝒄 + 𝒄 + 𝟐 = 𝟑 + 𝟑𝒄
3. 𝑪𝒐𝒗(𝒀𝟏 ; 𝒀𝟐 ) = 𝟎 → 𝟑 + 𝟑𝒄 = 𝟎 → 𝟑 = −𝟑𝒄 → 𝒄 = −𝟏
𝒀 𝑽(𝒀𝟏 ) 𝑪𝒐𝒗(𝒀𝟏 ; 𝒀𝟐 ) 𝟎 𝟎
4. V(Y)=𝑽 (⌈ 𝟏 ⌉) = ( )=( )
𝒀𝟐 𝑪𝒐𝒗(𝒀𝟐 ; 𝒀𝟏 ) 𝑽(𝒀𝟐 ) 𝟎 𝟏
𝑽(𝒀𝟏 ) = 𝟎
Y1 est une variable certaine puisque leur risque (la variance) est égal à zéro. Par
contre, la variable Y2 est incertaine parce que leur risque est différent à zéro.

Exercice n°II
𝟏 𝜶
𝑨=[ ]
𝟏 𝟐
𝟏 𝜶 𝟏 𝜶 𝟏 𝜶 𝟏 𝟎
1. 𝑩 = 𝑨𝟐 − 𝟑𝑨 + (𝟐 − 𝜶)𝑰 = [ ][ ]− 𝟑[ ] + (𝟐 − 𝜶) [ ]
𝟏 𝟐 𝟏 𝟐 𝟏 𝟐 𝟎 𝟏
 𝟏+𝜶 𝟑𝜶 𝟑 𝟑𝜶 𝟐−𝜶 𝟎
𝑩=[ ]−[ ]+[ ]=
𝟑 𝜶+𝟒 𝟑 𝟔 𝟎 𝟐−𝜶
𝟏+𝜶−𝟑+𝟐−𝜶 𝟑𝜶 − 𝟑𝜶 + 𝟎 𝟎 𝟎
[ ]=[ ]
𝟑−𝟑+𝟎 𝜶+𝟒−𝟔+𝟐−𝜶 𝟎 𝟎

La matrice B ne dépend pas de la valeur de 𝜶 puisque dont les quatre éléments de cette
matrice 𝜶 est toujours absentes

𝟏 𝟎
𝑰=[ ]
𝟎 𝟏
𝟏
2. 𝑨−𝟏 = 𝒅𝒆𝒕(𝑨) 𝑪𝒇′(𝑨)

𝟏 𝜶
𝑨=[ ]
𝟏 𝟐

𝒅𝒆𝒕(𝑨) = 𝟏 × 𝟐 − 𝟏 × 𝜶 = 𝟐 − 𝜶 ≠ 𝟎 → 𝜶
≠ 𝟐 𝒑𝒐𝒖𝒓 𝒒𝒖𝒆 𝒍𝒂 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝑨 𝒔𝒐𝒊𝒕 𝒊𝒏𝒗𝒆𝒓𝒔𝒊𝒃𝒍𝒆

𝟐 −𝟏
𝑪𝒇(𝑨) = [ ]
−𝜶 𝟏
𝟏 𝟐 −𝜶
𝑨−𝟏 = [ ]
𝟐 − 𝜶 −𝟏 𝟏
𝟐 −𝜶
[ ] = 𝑨−𝟏 (𝟐 − 𝜶) = (𝟐 − 𝜶)𝑨−𝟏
−𝟏 𝟏
𝟏 𝜶 𝟏 𝟎 𝟏−𝟑 𝜶−𝟎 −𝟐 𝜶
3. 𝑪 = 𝑨 − 𝟑𝑰 = [ ] −𝟑[ ]=[ ]=[ ]=
𝟏 𝟐 𝟎 𝟏 𝟏−𝟎 𝟐−𝟑 𝟏 −𝟏
𝟐 −𝜶
−𝟏 [ ] = −𝟏 × 𝑨−𝟏 (𝟐 − 𝜶) = 𝑨−𝟏 (𝜶 − 𝟐) = 𝑪
−𝟏 𝟏
𝟏 𝟐 𝟏 𝟐
4. 𝑨 = [ ][ ]=
𝟏 𝟐 𝟏 𝟐
𝟏+𝟐 𝟐+𝟒 𝟑 𝟔 𝟏 𝟐
𝑨𝟐 = [ ]=[ ] = 𝟑[ ]=3A
𝟏+𝟐 𝟐+𝟒 𝟑 𝟔 𝟏 𝟐
𝑨𝟑 = 𝑨𝑨𝟐 = 𝑨 × 𝟑 × 𝑨 = 𝟑𝑨𝟐 = 𝟑 × 𝟑𝑨 = 𝟑𝟐 𝑨
𝑨𝒏 = 𝟑𝒏−𝟏 𝑨 = λ𝒏−𝟏 𝑨 𝒂𝒗𝒆𝒄 λ = 𝟑

Correction avril 2018

1.

𝒁 = 𝑿𝒀
 𝟐 𝟐 𝟐
𝑽(𝒁) = 𝑬(𝒁𝟐 ) − (𝑬(𝒁)) = 𝑬[(𝑿𝒀)𝟐 ] − (𝑬(𝑿𝒀)) = 𝑬[𝑿𝟐 𝒀𝟐 ] − (𝑬(𝑿)𝑬(𝒀))
𝟐 𝟐
𝑽(𝑿) = 𝑬(𝑿𝟐 ) − (𝑬(𝑿)) → 𝑬(𝑿𝟐 ) = 𝑽(𝑿) + (𝑬(𝑿)) = 𝝈𝟐𝑿 + 𝒎𝟐𝑿
𝟐
𝑽(𝒀) = 𝑬(𝒀𝟐 ) − (𝑬(𝒀))𝟐 → 𝑬(𝒀𝟐 ) = 𝑽(𝒀) + (𝑬(𝒀)) = 𝝈𝟐𝒀 + 𝒎𝟐𝒀
𝟐
𝑽(𝒁) = 𝑬[𝑿𝟐 𝒀𝟐 ] − (𝑬(𝑿)𝑬(𝒀)) = 𝑬(𝑿𝟐 )𝑬(𝒀𝟐 ) − 𝑬𝟐 (𝑿)𝑬𝟐 (𝒀) = (𝝈𝟐𝑿 +
𝒎𝟐𝑿 )(𝝈𝟐𝒀 + 𝒎𝟐𝒀 ) − 𝒎𝟐𝑿 𝒎𝟐𝒀 =𝝈𝟐𝑿 𝝈𝟐𝒀 + 𝝈𝟐𝑿 𝒎𝟐𝒀 + 𝝈𝟐𝒀 𝒎𝟐𝑿 + 𝒎𝟐𝑿 𝒎𝟐𝒀 − 𝒎𝟐𝑿 𝒎𝟐𝒀 = 𝝈𝟐𝑿 𝝈𝟐𝒀 +
𝝈𝟐𝑿 𝒎𝟐𝒀 + 𝝈𝟐𝒀 𝒎𝟐𝑿
2. 𝑽(𝒁) = 𝝈𝟐𝑿 𝝈𝟐𝒀 𝒔𝒊 𝒆𝒕 𝒔𝒆𝒖𝒍𝒆𝒎𝒆𝒏𝒕 𝒔𝒊 𝒎𝑿 = 𝒎𝒀 = 𝟎
3. 𝑽(𝒁) = 𝑽(𝑿𝒀) = 𝑽(𝑿)𝑽(𝒀) = 𝜶𝜷 ≠ 𝝈𝟐𝑿 𝝈𝟐𝒀 + 𝝈𝟐𝑿 𝒎𝟐𝒀 + 𝝈𝟐𝒀 𝒎𝟐𝑿 ≠ 𝜃
𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝛼) → 𝐸(𝑋) = 𝑉(𝑋) = 𝛼
𝑌~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝛽) → 𝐸(𝑌) = 𝑉(𝑌) = 𝛽
𝑍~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜃) → 𝐸(𝑍) = 𝑉(𝑍) = 𝜃
𝑉(𝑍) = 𝑉(𝑋. 𝑌) = 𝑉(𝑋)𝑉(𝑌) = 𝛼𝛽 ≠ 𝜃

Examen mai 2016

Exercice n°I :
X=-1, X=0 et X=1
P(X=-1)=1/3, P(X=0)=𝛼 et P(X=1)= ?
1- 𝐹(𝑋) = ∑1𝑥𝑖=−1 𝑃(𝑋 = 𝑥𝑖 ) = 1 = 𝑃(𝑋 = −1) + 𝑃(𝑋 = 0) +
𝑃(𝑋 = 1) = 1
1 1 2
𝐹(𝑋) = + 𝛼+? = 1 ↔? = 𝑃(𝑋 = 1) = 1 − − 𝛼 = − 𝛼
3 3 3
2- 𝐸(𝑋) = ∑1𝑥𝑖 =−1 𝑥𝑖 𝑃(𝑋 = 𝑥𝑖 ) = −1 × 𝑃(𝑋 = −1) + 0 × 𝑃(𝑋 = 0) + 1 ×
1 2 1 2 1
𝑃(𝑋 = 1) = −1 × + 0 × 𝛼 + 1 × ( − 𝛼) =- + − 𝛼 = − 𝛼
3 3 3 3 3

1 1
𝐸(𝑋) = 0 ↔ −𝛼 =0↔𝛼 =
3 3
1 1 2 1 1
𝑃(𝑋 = −1) = ; 𝑃(𝑋 = 0) = 𝑒𝑡 𝑃(𝑋 = 1) = − =
3 3 3 3 3
3- 𝑉(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))2
 1

𝐸(𝑋 2 ) = ∑ 𝑥𝑖 2 𝑃(𝑋 = 𝑥𝑖 )
𝑥𝑖 =−1
= (−1)2 × 𝑃(𝑋 = −1) + 02 × 𝑃(𝑋 = 0) + 12 × 𝑃(𝑋 = 1)
1 1 1 1 1 2
=1× +0× +1× = + =
3 3 3 3 3 3
2
𝐸(𝑋) = 0 𝑒𝑡 𝑉(𝑋) = 𝐸(𝑋 2 ) − 02 = 𝐸(𝑌) = 𝐸(𝑋 2 ) = = 𝑉(𝑋)
3

On pose 𝑌 = 𝑋 2 ; 𝐸𝑣𝑒𝑛𝑒𝑚𝑒𝑛𝑡{𝑋} = {−1 ; 0 ; 1}𝑒𝑡 𝐸𝑣𝑒𝑛𝑒𝑚𝑒𝑛𝑡{𝑌} = {0 ; 1}

1
𝑃(𝑌 = 𝑋 2 = 02 = 0) = = 1 − 𝑝 = 𝑞 𝑒𝑡 𝑃(𝑌 = (−1)2 𝑒𝑡 𝑌 = 12 )
3
2
= 𝑃(𝑌 = (−1) ) + 𝑃( 𝑌 = 12 ) = 𝑃(𝑌 = 1) + 𝑃(𝑌 = 1)
1 2
= 2𝑃(𝑌 = 1) = 2 × = = 𝑝
3 3
𝑌~𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖(𝑝)
2 1 2 2
𝐸(𝑌) = 𝑝 = 𝑒𝑡 𝑉(𝑌) = 𝑝𝑞 = × =
3 3 3 9
2
4- 𝐶𝑜𝑣(𝑋; 𝑌) = 𝐸[(𝑋 − 𝐸(𝑋))(𝑌 − 𝐸(𝑌 = 𝑋 2 ))] = 𝐸 [(𝑋 − 0) (𝑌 − )]
3
2 2 2
𝐶𝑜𝑣(𝑋; 𝑌) = 𝐸 [(𝑋 − 0) (𝑌 − )] = 𝐸 [𝑋𝑌 − 𝑋] = 𝐸(𝑋𝑌) − 𝐸 ( 𝑋)
3 3 3

2
𝐶𝑜𝑣(𝑋; 𝑌) = 𝐸(𝑋𝑌) − 𝐸(𝑋) = 𝐸(𝑋𝑌) = 𝐸(𝑋𝑋 2 ) = 𝐸(𝑋 3 )
3
1

= ∑ 𝑥𝑖3 𝑃(𝑋 = 𝑥𝑖 ) = (−1)3 × 𝑃(𝑋 = −1) + 03 𝑃(𝑋

𝑥𝑖 =−1
1 1 1
= 0) + 13 𝑃(𝑋 = 1) = −1 × + 0 × + 1 × = 0
3 3 3
= 𝐸(𝑋) = 𝐶𝑜𝑣(𝑋 ; 𝑌) = 0
𝐶𝑜𝑣(𝑋; 𝑌)
𝜌𝑋;𝑌 = =0
√𝑉(𝑋)√𝑉(𝑌)
X et Y sont deux variables indépendantes
5- On pose 𝑍 = 𝜑(𝑋) = 𝑒 −𝑋 ∀ 𝑋 = −1, 0 𝑒𝑡 1
1 0 1
𝑒 −1 = ; 𝑒 = 1 𝑒𝑡 𝑒 1 = 𝑒 ∀ { ; 1 ; 𝑒 }
𝑒 𝑒
 𝑒 1

𝐸(𝑍) = 𝐸(𝜑(𝑋)) = ∑ 𝑍𝑖 𝑃(𝑋 = 𝑥𝑖 ) = ∑ 𝑒 −𝑋𝑖 𝑃(𝑋 = 𝑋𝑖 )

1 𝑋𝑖 =−1
𝜑(𝑥)=
𝑒
= 𝑒 1 𝑃(𝑋 = −1) + 𝑒 0 × 𝑃(𝑋 = 0) + 𝑒 −1 𝑃(𝑋 = 1)
1
1 1 −1
1 1 1 1 𝑒 + 1 + 𝑒2
=𝑒 × +1× +𝑒 × = + + 𝑒= >1
3 3 3 3 3𝑒 3 3𝑒
𝜑(𝐸(𝑋) = 0) = 𝜑(0) = 𝑒 0 = 1
𝐸(𝜑(𝑋)) > 𝜑(𝐸(𝑋)) = 1
Le moment d’ordre un d’une fonction exponentielle est toujours très gonflée parce
que cette fonction est croissante et l’exponentiel de zéro est égal à un. Ainsi que,
ce moment est supérieur à l’unité.
2
6- 𝑌𝑖 ~𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖(𝑝 = )
3
𝑛
2
𝑌 = ∑ 𝑌𝑖 𝑒𝑡 𝑌~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙𝑒 (𝑛; 𝑝 = )
3
𝑖=1

2 𝑘 1 𝑛−𝑘
𝑃(𝑌 = 𝑘) = 𝐶𝑛𝑘 ( ) ( )
3 3
2 2 1 2
𝐸(𝑌) = 𝑛𝑝 = 𝑛 𝑒𝑡 𝑉(𝑌) = 𝑛𝑝𝑞 = × × 𝑛 = 𝑛
3 3 3 9

Examen août 2015

Exercice n°I :
−1 𝑋−𝑚 2
1 ( )
𝑓(𝑋) = 𝑒 2 𝜎 La densité de probabilité d’une loi normale
√2𝜋𝜎
−1 𝑋2 −1 𝑋2 −𝑋2
1 × 1 × 1
1. 𝑓(𝑋) = 𝑒 2 𝜎2 = 𝑒 2 2 = 𝑒 4
√2𝜋𝜎 √2𝜋√2 √4𝜋
𝐶𝑜𝑣(𝑋 ;𝑌) 𝐶 𝐶 1
2. 𝜌𝑋 ;𝑌 = = = = − → 𝐶 = −1
√𝑉(𝑋)√𝑉(𝑌) √2√2 2 2
3. 𝐸(𝑋(𝑌 − 𝑍)) = 𝐸(𝑋𝑌) − 𝐸(𝑋𝑍) = 𝐸[(𝑋 − 𝐸(𝑋))(𝑌 − 𝐸(𝑌))] −
𝐸[(𝑋 − 𝐸(𝑋))(𝑍 − 𝐸(𝑍))] = 𝐶𝑜𝑣(𝑋; 𝑌) − 𝐶𝑜𝑣(𝑋; 𝑍) = −1 + 1 = 0
𝐸((𝑋 − 𝐸(𝑋))(𝑌 − 𝑍 − 𝐸(𝑌 − 𝑍))) = 𝐶𝑜𝑣(𝑋; 𝑌 − 𝑍) = 0
On pose 𝐻 = 𝑌 − 𝑍 𝑒𝑡 𝐸(𝐻) = 𝐸(𝑌) − 𝐸(𝑍) = 0
 𝐸(𝑋(𝑌 − 𝑍)) = 𝐸(𝑋𝐻) = 𝐸[(𝑋 − 𝐸(𝑋))(𝐻 − 𝐸(𝐻))] = 𝐶𝑜𝑣(𝑋; 𝐻)
= 𝐶𝑜𝑣(𝑋; 𝑌 − 𝑍)
= 0 𝑑𝑜𝑛𝑐 𝑋 𝑒𝑡 𝑌 − 𝑍 𝑠𝑜𝑛𝑡 𝑖𝑛𝑑é𝑝𝑒𝑛𝑑𝑎𝑛𝑡𝑒𝑠
4. 𝑃(𝑌 > 𝑍) = 0.5 → 𝑃(𝑌 − 𝑍 > 0) = 𝑃(𝐻 > 0) = 0.5
𝑉(𝐻) = 𝑉(𝑌 − 𝑍)
𝑃(𝐻 > 0) = 0.5
𝑃(𝐻 > 0) = 0.5
𝑃(𝐻 > 0) = 1 − 𝑃(𝐻 ≤ 0) = 0.5
𝑃(𝐻 > 0) = 1 − 𝐹(𝐻) = 0.5
𝐹(𝐻 = 𝑀𝑒) = 0.5 , 𝑐 ′ 𝑒𝑠𝑡à 𝑑𝑖𝑟𝑒 𝐹(𝑀𝑒 = 𝐻) = 0.5
Parce que la médiane partage les fréquences cumulées croissantes en deux
parties égales
5. 𝑇 = 𝑌 − 𝛼𝑋
𝐸(𝑇) = 𝐸(𝑌 − 𝛼𝑋) = 𝐸(𝑌) − 𝛼𝐸(𝑋) = 0 − 𝛼 × 0 = 0
𝑉(𝑇) = 𝑉(𝑌 − 𝛼𝑋) = 𝑉(𝑌) + 𝑉(𝛼𝑋) − 2𝐶𝑜𝑣(𝑌; 𝛼𝑋)
= 𝑉(𝑌) + 𝛼 2 𝑉(𝑋) − 2𝛼𝐶𝑜𝑣(𝑌; 𝑋) = 2 + 2𝛼 2 + 2𝛼
6. 𝑉(𝑇) = 1 → 2 + 2𝛼 2 + 2𝛼 = 1 ↔ 2𝛼 2 + 2𝛼 + 1 = 0
∆= 𝑏 2 − 4𝑎𝑐 = 22 − 4 × 2 × 1 = 4 − 8 = −4 = 4𝑖 2 = (2𝑖)2
−𝑏 − √∆ −2 − 2𝑖 −1 1
𝛼1 = = = − 𝑖
2𝑎 4 2 2
−1 2 −1 2 1 1 1 √2 𝜋 𝜋
‖𝛼1 ‖ = √( ) +( ) =√ + = = = 𝑆𝑖𝑛 ( ) = 𝐶𝑜𝑠 ( )
2 2 4 4 √2 2 4 4

−𝑏 + √∆ −2 + 2𝑖 −1 1
𝛼2 = = = + 𝑖
2𝑎 4 2 2
−1 2 1 2 1 1 1 √2 𝜋 𝜋
‖𝛼2 ‖ = √( ) + ( ) = √ + = = = 𝑆𝑖𝑛 ( ) = 𝐶𝑜𝑠 ( )
2 2 4 4 √2 2 4 4

𝜋 𝜋 √2
𝛼 = 𝑆𝑖𝑛 ( ) = 𝐶𝑜𝑠 ( ) =
4 4 2
7.
𝑆 =𝑋+𝑌+𝑍
𝐸(𝑆) = 𝐸(𝑋 + 𝑌 + 𝑍) = 𝐸(𝑋) + 𝐸(𝑌) + 𝐸(𝑍) = 0
𝑉(𝑆) = 𝑉(𝑋 + 𝑌 + 𝑍) = 𝑉(𝑋) + 𝑉(𝑌 + 𝑍) + 2𝐶𝑜𝑣(𝑋; 𝑌 + 𝑍)
= 𝑉(𝑋) + 𝑉(𝑌) + 𝑉(𝑍) + 2𝐶𝑜𝑣(𝑌 ; 𝑍) + 2𝐶𝑜𝑣(𝑋; 𝑌)
+ 2𝐶𝑜𝑣(𝑋; 𝑍) = 2 + 2 + 2 − 2 − 2 − 2 = 0
8. 𝐸(𝑆) = 𝑉(𝑆) = 0 𝑑𝑜𝑛𝑐 𝑆 = 0
𝐸(𝑇) = 0 𝑒𝑡 𝑉(𝑇) = 1
𝑆 = 𝑋 + 𝑌 + 𝑍 = 0 → 𝑋 = −𝑌 − 𝑍
√2
𝑇 = 𝑌 − 𝛼𝑋 = 𝑌 − 𝛼𝑋 = 𝑋(−1 − 𝛼) − 𝑍 = 𝑋 (−1 − )−𝑍
2
−√2 − 2
𝑇 = 𝑋( ) − 𝑍 = −√3𝑋 − 𝑍
2
Concours ENA Septembre 2013
Exercice n°3 :
Nombre de 𝐶𝑖2 × 𝑛𝑖 Fréquence
Salaire Salariés
Modalité Effectif (ni) Ci Ci×ni 𝐶𝑖2
[0,1000[(1000) 0 500 0 250000 0 0/300=0
[1000,1400[(400) 100 1200 120000 1440000 144000000 100/300=0.333
384 150/300=0.5
[1400,1800[(400) 150 1600 240000 2560000 000000
[1800,2200[(400) 40 2000 80000 4000000 160000000 40/300=0.133
[2200,3000[(800) 10 2600 26000 6760000 67600000 10/300=0.033
755 600
Total 300=n 466000 000
5
1 1
𝑋 = ∑ 𝐶𝑖 × 𝑛𝑖 = × 466000 = 1553,333
𝑛 300
𝑖=1
5
1 2 1
𝑉(𝑋) = ∑ 𝐶𝑖2 × 𝑛𝑖 − 𝑋 = × 755600000 − (1553,333)2
𝑛 300
𝑖=1
𝑉(𝑋) = 105823,258. D’où, la qualité de précision est très mauvaise car la
variance est très s’élevée.

𝜎 = √𝑉(𝑋) = √105823.258 = 325.305 : Mauvais ajustement linéaire

Il s’agit d’un mauvais ajustement linéaire car l’écart-type est très gonflé.
Nombre Effectifs Fréquence Fréquences
de Corrigés cumulées
Salariés 𝑛𝑖𝑐 croissantes
Salaire Effectifs
Modalité (ni)
 0 0/300=0 0
× 400
1000
[0,1000[(1000) 0 =0
[1000,1400[(400) 100 100 100/300=0.333 0.333
[1400,1800[(400) 150 150 150/300=0.5 0.833
[1800,2200[(400) 40 40 40/300=0.133 0.966
10 10/300=0.034 1
× 400
800
[2200,3000[(800) 10 =5
Total 300=n 300/300=1

1400+1800
La classe Modale ou Médiale : [1400,1800[ et MO= = 1600
2

𝐹(𝑀𝑒) = 0.
1400 → 𝐹(1400) = 0.333
𝑀𝑒 → 𝐹(𝑀𝑒) = 0.5
1800 → 𝐹(1800) = 0.833
𝑀𝑒 − 1400 0.5 − 0.333 0.167
= = = 0.334
1800 − 1400 0.833 − 0.333 0.5
𝑀𝑒 − 1400
= 0.334 → 𝑀𝑒 − 1400 = 400 × 0.334 = 133.6
400
𝑀𝑒 − 1400 = 133.6 → 𝑀𝑒 = 1533.6
La médiane partage la distribution en deux parties égales : une partie inférieure à
la médiane et l’autre supérieure à la médiane. 50% des salariés ont un salaire
inférieur à 1533.6 et les autres ont un salaire supérieur à 1533.6
Examen IFD 2019
Exercice n°I :
2
(√𝑉(𝑋1 + 𝑋2 ) ) = 𝑉(𝑋1 + 𝑋2 ) = 𝜎21 + 𝜎22 < (𝜎1 + 𝜎2 )2 = 𝜎12 + 𝜎22 + 2𝜎1 𝜎1 𝑐𝑎𝑟 2𝜎1 𝜎1 > 0

√𝑉(𝑋1 + 𝑋2 ) √𝑉(𝑋1 ) + √𝑉(𝑋2 )

2 2
(√𝑎 + 𝑏 ) = 𝑎 + 𝑏 =< (√𝑎 + √𝑏) = 𝑎 + 𝑏 + 2√𝑎𝑏

1. 𝑉(𝑋1 + 𝑋2 ) = 𝑉(𝑋1 ) + 𝑉(𝑋2 ) + 2𝐶𝑜𝑣(𝑋1 ; 𝑋2 ) = 𝜎12 + 𝜎22

2 2
2. (√𝑉 (𝑋1 + 𝑋2 )) = (√𝜎12 + 𝜎22 ) = 𝜎12 + 𝜎22 < (𝜎1 + 𝜎2 )2 = 𝜎12 +
𝜎22 + 2𝜎1 𝜎2 → 𝜎1 𝜎2 > 0 𝑐𝑎𝑟 𝜎1 > 0 𝑒𝑡 𝜎2 > 0
𝐶𝑜𝑣(𝑋1 ;𝑌) 𝐶𝑜𝑣(𝑋2 ;𝑌)
3. 𝜌1 = 𝑒𝑡𝜌2 =
𝜎1 𝜎𝑌 𝜎2 𝜎𝑌
 𝐶𝑜𝑣(𝑋1 + 𝑋2 ; 𝑌) = 𝐶𝑜𝑣(𝑋1 ; 𝑌) + 𝐶𝑜𝑣(𝑋2 ; 𝑌)
𝐶𝑜𝑣(𝑋1 ;𝑌) 𝐶𝑜𝑣(𝑋2 ;𝑌)
4. 𝜌1 = 𝑒𝑡 𝜌2 =
𝜎1 𝜎𝑌 𝜎2 𝜎𝑌

𝐶𝑜𝑣(𝑋1 ; 𝑌) = 𝜌1 𝜎1 𝜎𝑌 𝑒𝑡 𝐶𝑜𝑣(𝑋2 ; 𝑌) = 𝜌2 𝜎2 𝜎𝑌
𝐶𝑜𝑣(𝑋1 + 𝑋2 ; 𝑌) = 𝐶𝑜𝑣(𝑋1 ; 𝑌) + 𝐶𝑜𝑣(𝑋2 ; 𝑌) = 𝜌1 𝜎1 𝜎𝑌 + 𝜌2 𝜎2 𝜎𝑌
= 𝜎𝑌 (𝜌1 𝜎1 + 𝜌2 𝜎2 )
𝐶𝑜𝑣(𝑋1 + 𝑋2 ; 𝑌) 𝜎𝑌 (𝜌1 𝜎1 + 𝜌2 𝜎2 ) (𝜌1 𝜎1 + 𝜌2 𝜎2 )
𝜌𝑋1 +𝑋2 ;𝑌 = = =
𝜎𝑦 𝜎𝑋1+𝑋2 𝜎𝑦 √𝜎12 + 𝜎22 √𝜎12 + 𝜎22

Exercice n°2:
1 1
𝐴 = [3 2]
1 1
2 4
1 1 1 1 13 7
𝐴2 = 𝐴 × 𝐴 = [3 2] × [ 3 2] = [36 24]
1 1 1 1 7 5
2 4 2 4 24 16
1 1 7 7 1
7 1 7 1 1 0 0
3 2
1. 𝐴2 = 𝐴+ 𝐼 = [ 1] + [ ] = [36 24
7] + [6 1] =
12 6 12 1 6 0 1 7
0
2 4 24 48 6
13 7

[36
7
24
15] = 𝐴2
24 48
1 1

2. 𝐴 = [31 2
1]
2 4

1 1 1 1 1 1 1 3 −2 −1
det(𝐴) = × − × = − = − = = ≠0
3 4 2 2 12 4 12 12 12 6
1 −1
𝐶𝑓(𝐴) = [ 4 2]
−1 1
2 3
 1 −1 1 −1
1 1 4 −6
𝐴−1 = ′
𝑐𝑓(𝐴) = [ 2 ] = −6 [ 4 2 ]=[ 4 3]
det(𝐴) −1 −1 1 −1 1
6 2 3 −2
3 2 3
−1 1 −1 1 1
+𝑋 =
𝐴−1 = 6[ 4 2 ] = 6[ 4 3 2 ]
1 −1 1 −1 1
+𝑌 =
2 3 2 3 4
−1 1 7 1 1 1 −7
= − 0
= 6[ 4 3 12 2 ] = 6[ 3 2 ]+[ 2 ]
1 −1 1 7 1 1 −7
= − 0
2 3 4 12 2 4 2

Method 2
7
𝐴−1 = 6𝐴 − 𝐼
2
7 7
𝐴−1 × 𝐴 = 𝐼 = 𝐴 × (6𝐴 − 𝐼) = 6𝐴2 − 𝐴
2 2
7 7
𝐼 = 6𝐴2 − 𝐴 = 𝐴(6𝐴 − 𝐼)
2 2
7 𝐼 7
𝐼 = 𝐴 (6𝐴 − 𝐼) → = 𝐼 × 𝐴−1 = 𝐴−1 = 6𝐴 − 𝐼
2 𝐴 2
7
𝐴−1 = 6𝐴 − 𝐼
2
3. 𝑈 = 𝐴𝑋
𝐶𝑜𝑣(𝑈; 𝑈 ′ ) = 𝐶𝑜𝑣(𝐴𝑋; 𝐴′ 𝑋 ′ ) = 𝐴𝐴′ 𝐶𝑜𝑣(𝑋; 𝑋 ′ ) = 𝐴2 𝐶𝑜𝑣(𝑋 ; 𝑋′)
𝑎 𝑐
𝐵=( ) 𝑒𝑠𝑡 𝑢𝑛𝑒 𝑚𝑎𝑡𝑟𝑖𝑐𝑒 𝑠𝑦𝑚é𝑡𝑟𝑖𝑞𝑢𝑒
𝑐 𝑏
𝑎 𝑐
𝐵′ = 𝐵𝑡 = ( )=𝐵
𝑐 𝑏
𝐵2 = 𝐵 × 𝐵 = 𝐵′ × 𝐵 = 𝐵 × 𝐵′
 𝑋1 𝑋 𝑋
𝐶𝑜𝑣(𝑈; 𝑈 ′ ) = 𝐴2 𝐶𝑜𝑣 (( ) ; ( 1 ) ′) = 𝐴2 𝐶𝑜𝑣 (( 1 ) ; (𝑋1 ; 𝑋2 )′)
𝑋2 𝑋2 𝑋2
𝐶𝑜𝑣(𝑋1 ; 𝑋1 ) 𝐶𝑜𝑣(𝑋1 ; 𝑋2 )
= 𝐴2 ( )
𝐶𝑜𝑣(𝑋2 ; 𝑋1 ) 𝐶𝑜𝑣(𝑋2 ; 𝑋2 )
𝑉(𝑋1 ) = 1 𝐶𝑜𝑣(𝑋1 ; 𝑋2 ) = 0 1 0
= 𝐴2 ( ) = 𝐴2 ( )
𝐶𝑜𝑣(𝑋1 ; 𝑋2 ) = 0 𝑉(𝑋2 ) = 1 0 1
13 7
𝑉(𝑈1 ) 𝐶𝑜𝑣(𝑈1 ; 𝑈2 )
= 𝐴2 𝐼 = 𝐴2 = [36 24] = [ ]
7 15 𝐶𝑜𝑣(𝑈1 ; 𝑈2 ) 𝑉(𝑈2 )
24 48
4. 𝑈1 = 𝐴𝑋1 et 𝑈2 = 𝐴𝑋2

𝐸(𝑈1 ) = 𝐸(𝐴𝑋1 ) = 𝐴𝐸(𝑋1 ) = 0

𝐸(𝑈2 ) = 𝐸(𝐴𝑋2 ) = 𝐴𝐸(𝑋2 ) = 0
13 13
𝑉(𝑈1 ) = 𝑉(𝐴𝑋1 ) = ; 𝑈1 ~𝑁(0 ; )
36 36
15 15
𝑉(𝑈2 ) = 𝑉(𝐴𝑋2 ) = ; 𝑈2 ~𝑁(0 ; )
48 48
Rappel
V(aX)=a2V(X)
V(CX)=𝐶 × 𝐶′𝑉(𝑋)
1 −1 𝑋1 −0 2 1 −𝑋12
( )
𝑓(𝑋1 ) = 𝑒2 𝜎 = 𝑒 2
√2𝜋𝜎1 √2𝜋
1 −1 𝑋2 −0 2 1 −𝑋22
( )
𝑓(𝑋2 ) = 𝑒2 𝜎 = 𝑒 2
√2𝜋𝜎2 √2𝜋
1
−1 𝑈1 −𝐸(𝑈1 ) 2 − (𝑈1 −0)2 −18𝑈12
1 2
(
𝜎𝑢1
) 1 2 1
𝑓(𝑈1 ) = 𝑒 = 𝑒 2𝐴2 = 𝑒 13
√2𝜋𝜎𝑢1 13 13
√2𝜋 √36 √2𝜋 √36

−1 𝑈2 −𝐸(𝑈2 ) 2 −24(𝑈2 −0)2

1 2
(
𝜎𝑢2
) 1
𝑓(𝑈2 ) = 𝑒 = 𝑒 15
√2𝜋𝜎𝑢2 15
√2𝜋√48

Concours ENA session 2012

Exercice n°4
 𝑛 𝑛 𝑛 𝑛 𝑛
1
∑(𝑋𝑖 − 𝑋) = ∑ 𝑋𝑖 − ∑ 𝑋 = ∑ 𝑋𝑖 − 𝑛𝑋 = 𝑛 ( ∑ 𝑋𝑖 − 𝑋) = 𝑛(𝑋 − 𝑋)
𝑛
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
=0
Xi est une variable non centrée

xi=Xi-𝑋 s’appelle une variable centre ∑𝑛𝑖=1 𝑥𝑖 = ∑𝑛𝑖=1(𝑋𝑖 − 𝑋) = 0

Xi Yi Xi-𝑋 Yi-𝑌 (Xi-𝑋)2 (Yi-𝑌)2 (Xi-𝑋)(Y𝑖 − 𝑌)
16 20 -10,1 -10,4 102,01 108,16 105,04
18 24 -8,1 -6,4 65,61 40,96 51,84
23 28 -3,1 -2,4 9,61 5,76 7,44
24 22 -2,1 -8,4 4,41 70,56 17,64
28 32 1,9 1,6 3,61 2,56 3,04
29 28 2,9 -2,4 8,41 5,76 -6,96
26 32 -0,1 1,6 0,01 2,56 -0,16
31 36 4,9 5,6 24,01 31,36 27,44
32 41 5,9 10,6 34,81 112,36 62,54
34 41 7,9 10,6 62,41 112,36 83,74
Total 261 304 0 0 314,9 492,4 351,6

1. Les moyennes de X et Y
10
1 1
𝑋 = ∑ 𝑋𝑖 = × 261 = 26.1
𝑛 10
𝑖=1
10
1 1
𝑌 = ∑ 𝑌𝑖 = × 304 = 30.4
𝑛 10
𝑖=1

2. Les variances et les écarts-types

10
1 2 1
𝑉(𝑋) = ∑(𝑋𝑖 − 𝑋) = × 314.9 = 31.49
𝑛 10
𝑖=1
10
1 2 1
𝑉(𝑌) = ∑(𝑌𝑖 − 𝑌) = × 492.4 = 49.24
𝑛 10
𝑖=1

Les qualités de précision sont très mauvaises pour les variables X et Y

𝜎𝑋 = √𝑉(𝑋) = √31.49 = 5.61

𝜎𝑌 = √𝑉(𝑌) = √49.24 = 7.02

Les écarts-types sont très gonflés, ceux-ci prouvent le mauvais ajustement linéaire de chaque
variable par rapport à la droite d’ajustement.
 3. La Covariance entre X et Y
10
1 1
𝐶𝑜𝑣(𝑋 ; 𝑌) = ∑(𝑋𝑖 − 𝑋) (𝑌𝑖 − 𝑌) = × 351.6 = 35.16
𝑛 10
𝑖=1

Une relation positive très s’élevée entre X et Y

4. Le Coefficient de Corrélation
𝐶𝑜𝑣(𝑋 ; 𝑌) 35.16
𝜌𝑋 ;𝑌 = 𝑅 = = = 0.893 ≈ 0.9
𝜎𝑋 𝜎𝑌 5.61 × 7.02
Il existe une forte corrélation positive entre X et Y
IFD session 2005
Exercice n°I :
𝑥 ′
𝑒= 𝑓 (𝑥) 𝑎𝑣𝑒𝑐 𝑦 = 𝑓(𝑥)
𝑦
𝑎
𝑎 𝑐 ′ 𝑢′ (𝑥) 𝑑𝑢(𝑥) ′
× = 𝑏 𝑒𝑡 (𝐿𝑜𝑔(𝑢(𝑥))) 𝑑𝐿𝑜𝑔(𝑈(𝑋)) =
′
= , 𝑐 𝑒𝑠𝑡 à 𝑑𝑖𝑟𝑒 (𝐿𝑜𝑔(𝑥))
𝑏 𝑑 𝑑 𝑢(𝑥) 𝑢(𝑥)
𝑐
𝑑𝑥 1
= 𝑑𝐿𝑜𝑔(𝑥) = =
𝑥 𝑥
𝑑𝑓(𝑥) 𝑑𝑦 𝑑𝑦
𝑓′(𝑥) 𝑑𝑥 𝑑𝑥 𝑑𝑦 𝑥 𝑑𝑦 𝑥 𝑦 𝑑𝐿𝑜𝑔(𝑦)
1. 𝑒 = 𝑦 = 𝑦 = 𝑦 = 𝑑𝑥 × 𝑦 = × 𝑑𝑥 = 𝑑𝑥 = 𝑑𝐿𝑜𝑔(𝑥)
𝑦
𝑥 𝑥 𝑥 𝑥

𝑑𝑓(𝑥) 𝑑𝑦
𝑓 ′ (𝑥) = =
𝑑𝑥 𝑑𝑥
Δ𝑦
𝑦
2. Δ𝑦 = 𝑑𝑦 𝑒𝑡 Δ𝑥 = 𝑑𝑥 → 𝑒 = Δ𝑥 Correspond à l’élasticité de y par rapport à x
𝑥

L’élasticité mesure la variation relative de y par rapport à la variation relative de x, c’est-à-

dire identifiée la sensibilité relative de y par rapport à x.
Δ𝑦
𝑦
𝑒𝑌/𝑋 = Δ𝑥
𝑥

𝑒𝑌/𝑋 = 0 𝑌 𝑒𝑠𝑡 𝑖𝑛é𝑙𝑎𝑠𝑡𝑖𝑞𝑢𝑒 𝑝𝑎𝑟 𝑟𝑎𝑝𝑝𝑜𝑟𝑡 à 𝑋 𝑝𝑎𝑟 𝑒𝑥𝑒𝑚𝑝𝑙𝑒 𝑒𝑄𝐷/𝑃

= 0, 𝑙𝑒𝑠 𝑞𝑢𝑎𝑛𝑡𝑖𝑡é𝑠 𝑑𝑒𝑚𝑎𝑛𝑑𝑒𝑠 𝑠𝑜𝑛𝑡 𝑖𝑛𝑠𝑒𝑛𝑠𝑖𝑏𝑙𝑒𝑠 𝑎𝑢𝑥 𝑝𝑟𝑖𝑥. 𝐷′ 𝑜ù, 𝑙𝑒𝑠 𝑏𝑖𝑒𝑛𝑠 𝑠𝑜𝑛𝑡 𝑑𝑒𝑠 𝑏𝑖𝑒𝑛𝑠 𝑑𝑒 𝑙𝑢𝑥𝑒𝑠.
𝑒𝑌/𝑋 = 1 → L’élasticité est unitaire, c’est-à-dire l’augmentation est proportionnelle entre
X et Y
𝑒𝑌/𝑋 > 1 𝑦 𝑒𝑠𝑡 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑒𝑚𝑒𝑛𝑡 é𝑙𝑎𝑠𝑡𝑖𝑞𝑢𝑒 𝑝𝑎𝑟 𝑟𝑎𝑝𝑝𝑜𝑟𝑡 à 𝑥

𝑒𝑌/𝑋 < 0 𝑦 𝑒𝑠𝑡 𝑛é𝑔𝑎𝑡𝑖𝑣𝑒𝑚𝑒𝑛𝑡 é𝑙𝑎𝑠𝑡𝑖𝑞𝑢𝑒 𝑝𝑎𝑟 𝑟𝑎𝑝𝑝𝑜𝑟𝑡 à 𝑥

3. 𝑦 = 𝑓(𝑥) = √𝑥 = (𝑥)0.5
𝑎
𝑏 =𝑎×1 = 𝑐
𝑐 𝑏 𝑐 𝑏×𝑐
𝑎 𝑐 𝑎𝑐
=𝑎× =
𝑏 𝑏 𝑏
𝑐
0.5 0.5 1
𝑓 ′ (𝑥) = 0.5(𝑥)−0.5 = 0.5
= =
𝑥 √𝑥 2√𝑥
𝑑𝑓(𝑥) 𝑑𝑦 1
𝑓 ′ (𝑥) = = =
𝑑𝑥 𝑑𝑥 2√𝑥
𝑑𝑦
𝑦 𝑑𝑦 𝑥 𝑑𝑦 𝑥 1 𝑥 1 1
𝑒= = × = × = × = × √𝑥 = = 0.5
𝑑𝑥 𝑦 𝑑𝑥 𝑑𝑥 𝑦 2√𝑥 √𝑥 2√𝑥 2
𝑥
𝑑𝑥 𝑑𝑦
×𝑒 =
𝑥 𝑦
Si prix augmente de 10%, la production augmente de 5%. La hausse de prix engendre une
augmentation moins proportionnelle de production. Cette production est moins élastique
aux prix. D’où, la firme produit des biens supérieurs moins-sensibles à ces prix.

IFD session 2020

Exercice n°I
1. V(Z-Y) =V(Z)+V(Y)-2Cov(Z ;Y)=9+16-2×0=25. D’où, Z et Y sont deux variables
indépendantes
2. Cov(X ;Y)=7 et Cov(X ;Z)=-4
V(X)= 𝛼 ; V(Y)=16 et V(Z)=9
𝐶𝑜𝑣(𝑋 ; 𝑌 ) 7
𝜌𝑋 ;𝑌 = =
𝜎𝑋 𝜎𝑌 4 √𝛼
𝐶𝑜𝑣(𝑋 ; 𝑍 ) −4
𝜌𝑋 ;𝑍 = =
𝜎𝑋 𝜎𝑍 3√𝛼
3.
7 7 −4 1 4
−1 ≤ 𝜌𝑋 ;𝑌 ≤ 1 → −1 ≤ 4 ≤ 1 → −4 ≤ ≤4→ ≤ ≤7
√ 𝛼 √ 𝛼 7 √ 𝛼

−7 7 7 49
≤ 0 < √𝛼 ≤ → 0 ≤ √𝛼 ≤ → 0 < 𝛼 ≤ ∀ 𝛼 𝜖]0 ; 3.06]
4 4 4 16
−4 −4 −3 1 3
−1 ≤ 𝜌𝑋 ;𝑍 ≤ 1 → −1 ≤ 3 ≤ 1 → −3 ≤ ≤3→ ≤ ≤4
√𝛼 √𝛼 4 √𝛼
−4 4 4
≤ 0 < √𝛼 ≤ 3 → 0 < √𝛼 ≤ 3
3
 16
0<𝛼≤ = 1.78 ∀ 𝛼 𝜖 ]0 ; 1.78 ]
9
𝛼𝜖]0 ; 1.78 ] ∩ ]0 ; 3.06] = ]0 ; 1.78 ]
4.
V(X+Y+Z)=V(X+Y)+V(Z)+2Cov(X+Y ;Z)=V(X)+V(Y)+2Cov(X ;Y)+V(Z)+2Cov(X ;Z)+2
Cov(Y ;Z)=V(X)+V(Y)+2Cov(X ;Y)+V(Z)+2Cov(X ;Z)=𝛼 + 16 + 9 + 2 × 7 − 2 × 4 = 𝛼 +
31
5.
𝐶𝑜𝑣(𝑋 ; 𝑌 ) 7 7 1 1
𝜌𝑋 ;𝑌 = = = → = → 8 = 4√𝛼 → √𝛼 = 2 𝑒𝑡 𝛼 = 4
𝜎𝑋 𝜎𝑌 4√𝛼 8 4√𝛼 8

 Suite de la Statistique Inférentielle

-Loi Exponentielle
X suit une loi exponentielle de paramètre 𝜑 et la densité de probabilité est définie par :

𝑓(𝑋) = { 𝜑𝑒 −𝜑𝑋 ∀ 𝜑 > 0 𝑒𝑡 𝑋 > 0

0 𝑠𝑖𝑛𝑜𝑛
1 1
𝐸 (𝑋) = 𝑒𝑡 𝑉 (𝑋) = 2
𝜑 𝜑
-Loi de Gamma
𝜃 𝑝 𝑝−1 −𝜃𝑋
𝑓(𝑋) = 𝑋 𝑒 ∀ 𝑝 > 0; 𝜃 > 0 𝑒𝑡 𝑋 > 0
Γ(p)
𝑝 𝑝
𝐸 (𝑋) = 𝑒𝑡 𝑉(𝑋) = 2
𝜃 𝜃
-Loi de Khi-deux
Soient X1 ; X2 ;…; Xn n : variables indépendantes suivent chacune une loi
normale centre réduite. La variable X=∑𝑛𝑖=1 𝑋𝑖2 suit la loi de Khi-deux (χ2(n))
𝐸 (𝑋) = 𝑛 𝑒𝑡 𝑉 (𝑋) = 2𝑛
χ2(n) = χ2(1) + χ2(1) + ⋯ … … … . . +χ2(1)
χ2(a+b)= χ2(a)+ χ2(b)
 χ2(a-b)= χ2(a)-χ2(b)
-Loi de Fisher
On considère X et Y deux variables aléatoire indépendantes et elles suivent
𝑋⁄ χ2(n)⁄
χ2 χ2
respectivement la loi de (n) et (m). La variable Z=F=𝑌⁄ 𝑛 = χ2(m) 𝑛 suit la
𝑚 ⁄𝑚
loi de Fisher à (n ; m) degrés de libertés.
1 1
𝐸(𝑋⁄𝑛) 𝑛
𝐸(𝑋)
𝑛
×𝑛
( )
𝐸 𝑍 = 𝐸(𝐹) = 𝑌 = = =1
𝐸( ⁄𝑚) 1 𝐸(𝑌) 1 × 𝑚
𝑚 𝑚
1 1 2
𝑉(𝑋⁄𝑛) 𝑉(𝑋) 2 × 2𝑛
𝑉 (𝑍) = 𝑉(𝐹) = 𝑌 = 𝑛 2
= 𝑛 = 𝑛 =𝑚
𝑉( ⁄𝑚) 1 1 2 𝑛
𝑉(𝑌) × 2𝑚
𝑚2 𝑚2 𝑚
-Loi de Student
Soit X suit une loi normale centrée réduite et Y suit la loi de khi-deux à n
degrés de libertés. Le rapport entre X sur la racine carrée de Y suit la loi de
Student.
𝑋 𝑁(0 ; 1)
𝑇= =
√𝑌 √χ2(n)
𝐸(𝑋) 0 0
𝐸 (𝑇) = = = =0
𝐸(√𝑌) 𝐸(√𝑌) √𝑛
𝑉(𝑋) 1 1
𝑉 (𝑇) = = =
𝑉(√𝑌) 𝑉(√𝑌) √2𝑛
Théorèmes
Théorème 1 : X suit une loi quelconque, la combinaison linéaire de celle-ci
suit la même loi.
Théorème 2 : Sauf la loi exponentielle ; la loi de gamme et loi uniforme. Les
autres lois continues sont basées sur la loi normale. Par exemple la loi normale
centrée réduit ; la loi de Khi-deux ; la loi de Fisher et la loi de Student.
𝑋~𝑁(𝑚 ; 𝜎 2 )
𝑋−𝑚
𝑍= ~𝑁(0 ; 1)
𝜎
2
𝑋−𝑚 2
𝑍 =( ) ~χ2(1)
𝜎
𝑌 = ∑𝑛𝑖=1 𝑍𝑖2 ~ χ2(n)
𝐻 = ∑𝑚 2
𝑖=1 𝑍𝑖 ~ χ2(m)
 𝑌⁄
𝐹 = 𝐻⁄𝑛 ~(𝑛 ; 𝑚)
𝑚

𝑋
𝑇= ~𝑆𝑡(𝑛)
√𝑌

Examen IFID 2004

Exercice n°I :
1 1 1
1. 𝐸(𝑦𝑛 ) = 𝐸( ∑𝑛𝑖=1 𝑦𝑖 ) = 𝐸(∑𝑛𝑖=1 𝑦𝑖 ) = [𝐸(𝑦1 ) + 𝐸(𝑦2 ) + ⋯ + 𝐸(𝑦𝑛 )]
𝑛 𝑛 𝑛
𝑛
1 1 1
𝐸(𝑦𝑛 ) = [𝑚 + 𝑚 + ⋯ + 𝑚] = ∑ 𝑚 = × 𝑛 × 𝑚 = 𝑚
𝑛 𝑛 𝑛
𝑖=1
𝑛
1
𝑉(𝑦𝑛 ) = 𝑉( ∑ 𝑦𝑖 )
𝑛
𝑖=1
𝑛
1 1
= 2 𝑉(∑ 𝑦𝑖 ) = 2 [𝑉(𝑦1 ) + 𝑉(𝑦2 ) + ⋯ + 𝑉(𝑦𝑛 )]
𝑛 𝑛
𝑖=1
1 2 2 2
1 2
𝜎2
= 2 [𝜎 + 𝜎 + ⋯ + 𝜎 ] = 2 × 𝑛 × 𝜎 =
𝑛 𝑛 𝑛
 𝑛−1
1
𝑉(𝑦𝑛−1 ) = 𝑉( ∑ 𝑦𝑖 )
𝑛−1
𝑖=1
𝑛−1
1 1
= 𝑉(∑ 𝑦𝑖 ) = [𝑉(𝑦1 ) + 𝑉(𝑦2 ) + ⋯ …
(𝑛 − 1)2 (𝑛 − 1)2
𝑖=1
1
+ 𝑉(𝑦𝑛−1 )] = [𝜎 2 + 𝜎 2 + ⋯ … + 𝜎 2 ]
(𝑛 − 1)2
𝑛−1
1 2
1 2
𝜎2
= ∑ 𝜎 = × (𝑛 − 1) × 𝜎 =
(𝑛 − 1)2 (𝑛 − 1)2 (𝑛 − 1)
𝑖=1

2.
1 1
a. 𝑦𝑛 = ∑𝑛𝑖=1 𝑦𝑖 → 𝑛𝑦𝑛 = ∑𝑛𝑖=1 𝑦𝑖 = ∑𝑛−1
𝑖=1 𝑦𝑖 + 𝑦𝑛 = (𝑛 − 1) × ∑𝑛−1
𝑖=1 𝑦𝑖 +
𝑛 𝑛−1
𝑦𝑛
𝑛 𝑛−1

∑ 𝑦𝑖 = 𝑦1 + 𝑦2 + ⋯ … . . +𝑦𝑛−1 + 𝑦𝑛 = ∑ 𝑦𝑖 + 𝑦𝑛
𝑖=1 𝑖=1
𝑛−1
1
𝑦𝑛−1 = ∑ 𝑦𝑖
𝑛−1
𝑖=1

𝑛−1 1
𝑛𝑦𝑛 = (𝑛 − 1)𝑦𝑛−1 + 𝑦𝑛 → 𝑦𝑛 = 𝑦𝑛−1 + 𝑦𝑛
𝑛 𝑛
𝑦𝑛 = 𝑛𝑦𝑛 − (𝑛 − 1)𝑦𝑛−1
𝑛−1 1 𝑛−1
b. 𝐶𝑜𝑣(𝑦𝑛 ; 𝑦𝑛−1 ) = 𝐶𝑜𝑣 ( 𝑦𝑛−1 + 𝑦𝑛 ; 𝑦𝑛−1 ) = 𝐶𝑜𝑣(𝑦𝑛−1 ; 𝑦𝑛−1 ) +
𝑛 𝑛 𝑛
1 𝑛−1 1 1 𝜎2 𝑛−1
𝐶𝑜𝑣(𝑦𝑛 ; 𝑦𝑛−1 ) = 𝑉(𝑦𝑛−1 ) + 𝐶𝑜𝑣(𝑦𝑛 ; ∑𝑛−1
𝑖=1 𝑦𝑖 ) = × +0=
𝑛 𝑛 𝑛 𝑛−1 𝑛−1 𝑛
𝜎2
𝑛
𝑛−1 𝑛−1
1 1 1 1
𝐶𝑜𝑣(𝑦𝑛 ; ∑ 𝑦𝑖 ) = × 𝐶𝑜𝑣 (𝑦𝑛 ; ∑ 𝑦𝑖 ) )
𝑛 𝑛−1 𝑛 𝑛−1
𝑖=1 𝑖=1
1 1
= × 𝐶𝑜𝑣(𝑦𝑛 ; 𝑦1 + 𝑦2 + ⋯ . . + + 𝑦𝑛−1 ) = 0
𝑛 𝑛−1
𝜎2
𝐶𝑜𝑣(𝑦𝑛 ; 𝑦𝑛−1 ) =
𝑛

𝐶𝑜𝑣(𝑎𝑋 + 𝑏𝑌 ; 𝑐𝑍 + 𝑑𝐻)
= 𝑎𝑐𝐶𝑜𝑣(𝑋 ; 𝑍) + 𝑎𝑑𝐶𝑜𝑣(𝑋 ; 𝐻) + 𝑏𝑐𝐶𝑜𝑣(𝑍 ; 𝑌) + 𝑏𝑑𝐶𝑜𝑣(𝑌 ; 𝐻)
 𝑛−1
1 1
𝑉(𝑦𝑛−1 ) = 𝑉( ∑ 𝑦𝑖 ) = 𝑉(𝑦1 + 𝑦2 + ⋯ … + 𝑦𝑛−1 )
𝑛−1 (𝑛 − 1)2
𝑖=1
1
= [𝜎 2 + 𝜎 2 + ⋯ + 𝜎 2 ]
(𝑛 − 1)2
𝑛−1
1 2
1
= 2
∑ 𝜎 = 2
× (𝑛 − 1) × 𝜎 2
(𝑛 − 1) (𝑛 − 1)
𝑖=1

𝑛−1
1 1 1 1
𝐶𝑜𝑣 (𝑦𝑛 ; ∑ 𝑦𝑖 ) = × 𝐶𝑜𝑣( 𝑦𝑛 ; 𝑦1 + 𝑦2 + ⋯ … + 𝑦𝑛−1 ) = 0
𝑛 𝑛−1 𝑛 𝑛−1
𝑖=1

𝜎2 𝜎2
𝐶𝑜𝑣(𝑦𝑛 ; 𝑦𝑛−1 ) 𝑛 𝑛 √𝑛×(𝑛−1)
c. 𝜌𝑦𝑛 ; 𝑦𝑛−1 = )= = 𝜎2
= =
√𝑉(𝑦𝑛 )√𝑉((𝑦𝑛−1 ) 2
√𝜎 ×√ 𝜎
2 𝑛
𝑛 𝑛−1 √𝑛×(𝑛−1)

√(𝑛−1) 𝑛−1≈𝑛
=√ ≈1𝑛 ≈𝑛−1
√𝑛 𝑛

Il existe une forte corrélation linéaire entre 𝑦𝑛 𝑒𝑡 𝑦𝑛−1

3.
a.
𝜎2
𝑉(𝑦𝑛 ) =
𝑛
𝑝(−𝛼 < 𝑦𝑛 − 𝑚 < 𝛼 ) = 𝑝(|𝑦𝑛 − 𝑚| < 𝛼 ) > 1 −
𝛼2
𝜎2
=1−
𝑛𝛼2
La formule de l’inégalité de Belmayne Tchebycheff
𝜎2
∀ 𝜀 > 0; 𝑝(|𝑋 − 𝑚| ≥ 𝜀) ≤ 2
𝜀
𝜎 2 = 𝑉(𝑋)
𝑝(|𝑋 − 𝑚| < 𝜀) > 1 −
𝜀2
𝑝(𝑋 ≤ 𝑥1 ) = 1 − 𝑝(𝑋 > 𝑥1 )
𝑝(𝑋 > 𝑥1 ) = −𝑝(𝑋 ≤ 𝑥1 ) + 1 = 1 − 𝑝(𝑋 ≤ 𝑥1 )
 𝜎2
𝑉(𝑋) = 𝜎2
𝑝(|𝑋 − 𝑚| < 𝜀 = 𝛼) > 1 − 2 𝑛 =1− 2
𝜀 = 𝛼2 𝑛𝛼
𝑉(𝑦𝑛 ) 𝜎2
b. 𝐿𝑖𝑚 𝑝(|𝑦𝑛 − 𝑚| < 𝛼 ) > 𝐿𝑖𝑚 1 − = 𝐿𝑖𝑚 1 − =1
𝛼2 𝑛𝛼2

𝑛 → +∞ 𝑛 → +∞ 𝑛 → +∞
𝐿𝑖𝑚 𝑝(|𝑦𝑛 − 𝑚| < 𝛼 ) = 1
𝑛 → +∞
𝐿𝑖𝑚 𝑝(|𝑦𝑛 − 𝑚| ≥ 𝛼 ) = 1 − 𝐿𝑖𝑚 𝑝(|𝑦𝑛 − 𝑚| < 𝛼 ) = 1 − 1 = 0
𝑛 → +∞
lim 𝑝(|𝑦𝑛 − 𝑚| < 𝛼 ) = 1
𝑛 → +∞
𝑉(𝑋) 𝜎 2⁄ 𝜎2
𝑛
𝑝(|𝑋 − 𝑚| > 𝜀 = 𝛼) ≤ 2 = 2 = 2
𝛼 = 𝜀2 𝜀 𝑛𝜀
𝑉(𝑋)
𝑝(|𝑋 − 𝑚| ≤ 𝜀) = 1 − 𝑝(|𝑋 − 𝑚| > 𝜀) > 1 −
𝛼2 = 𝜀2

4.
1 1
a. 𝑆 2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑦𝑛 )2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑚 + 𝑚 − 𝑦𝑛 )2
𝑛 𝑛
𝑛
2
𝑛𝑆 2 = ∑[(𝑦𝑖 − 𝑚) − (𝑦𝑛 − 𝑚)]
𝑖=1
𝑛
2
= ∑ [(𝑦𝑖 − 𝑚)2 − 2(𝑦𝑖 − 𝑚)(𝑦𝑛 − 𝑚) + (𝑦𝑛 − 𝑚) ]
𝑖=1
2
𝑛𝑆 2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑚)2 − 2(𝑦𝑛 − 𝑚) ∑𝑛𝑖=1(𝑦𝑖 − 𝑚) + ∑𝑛𝑖=1(𝑦𝑛 − 𝑚)
𝑛 𝑛
1 2
𝑛𝑆 2 = ∑(𝑦𝑖 − 𝑚)2 − 2(𝑦𝑛 − 𝑚)𝑛 [ ∑ 𝑦𝑖 − 𝑚] + 𝑛(𝑦𝑛 − 𝑚)
𝑛
𝑖=1 𝑖=1
 𝑛
2
𝑛𝑆 2 = ∑(𝑦𝑖 − 𝑚)2 − 2(𝑦𝑛 − 𝑚) × 𝑛(𝑦𝑛 − 𝑚) + 𝑛(𝑦𝑛 − 𝑚)
𝑖=1
𝑛
2 2
𝑛𝑆 2 = ∑(𝑦𝑖 − 𝑚)2 − 2𝑛(𝑦𝑛 − 𝑚) + 𝑛(𝑦𝑛 − 𝑚)
𝑖=1
𝑛
2
𝑛𝑆 2 = ∑(𝑦𝑖 − 𝑚)2 − 𝑛(𝑦𝑛 − 𝑚)
𝑖=1

𝑛𝑆 2 1 2 𝑦𝑖 −𝑚 2
b. = 2 [∑𝑛𝑖=1(𝑦𝑖 − 𝑚)2 − 𝑛(𝑦𝑛 − 𝑚) ] = ∑𝑛𝑖=1 ( ) −
𝜎2 𝜎 𝜎
𝑦𝑛 −𝑚 2
𝑛( )
𝜎
2
𝑦𝑛 − 𝑚
2 (
𝑦𝑛 − 𝑚 𝜎 ) 2
𝑦𝑛 − 𝑚
2 ( ) 𝑦 −𝑚
2 𝜎 √𝑛
(√𝑛) ( ) = = = ( 𝑛𝜎 )
𝜎 1 1
2 √𝑛
(√𝑛)
2
𝑛
2 2
𝑛𝑆 𝑦𝑖 − 𝑚 𝑦𝑛 − 𝑚
= ∑ ( ) − ( 𝜎 )
𝜎2 𝜎 ⁄ 𝑛
𝑖=1 √
𝑦𝑖 − 𝑚
𝑂𝑛 𝑝𝑜𝑠𝑒 𝑍𝑖 = ~𝑁(0 ; 1)
𝜎
2 𝑦𝑖 − 𝑚 2
𝑍𝑖 = ( ) ~χ2(1)
𝜎
𝜎2
𝑦𝑛 ~𝑁(𝑚 ; )
𝑛
𝑦𝑛 − 𝑚
𝑂𝑛 𝑝𝑜𝑠𝑒 𝑊 = 𝜎 ~𝑁(0 ; 1)
⁄ 𝑛
√
 2
𝑦𝑛 − 𝑚
𝑊2 = ( 𝜎 ) ~χ2(1)
⁄ 𝑛
√
𝜎2
𝑦𝑛 ~𝑁(𝑚 ; )
𝑛
𝑛 𝑛
𝑛𝑆 2
2
= ∑ 𝑍𝑖 2 − 𝑊 2 = ∑ χ2(1) − χ2(1)
𝜎
𝑖=1 𝑖=1
= χ2(1) + χ2(1) + ⋯ … … + χ2(1) − χ2(1) = χ2(n) − χ2(1)
= χ2(n − 1)

Propriété
χ2(a + b) = χ2(a) + χ2(b)
𝑛𝑆 2
c. ~ χ2(n − 1)
𝜎2
𝑛𝑆 2
Avec 𝐸 ( ) = 𝐸 [χ2(n − 1)] = (𝑛 − 1)
𝜎2

𝑛𝑆 2
𝐸 ( 2 ) = 𝑉[χ2(n − 1)] = 2(𝑛 − 1)
𝜎

Examen 2006
𝑋𝑖 ~𝑁(𝑚 ; 𝜎 2 )
1. 𝑝(𝑚 − 2𝜎 ≤ 𝑋 ≤ 𝑚 + 2𝜎)
𝑝(𝑚 − 2𝜎 − 𝑚 ≤ 𝑋 − 𝑚 ≤ 𝑚 + 2𝜎 − 𝑚)
−2𝜎 𝑋 − 𝑚 2𝜎
𝑝( ≤ ≤ )
𝜎 𝜎 𝜎
𝑋−𝑚
𝑝 (−2 ≤ ≤ 2) = 𝑝(|𝑍| ≤ 2) = 2𝐹 (2) − 1
𝜎
𝑝(−2 ≤ 𝑍 ≤ 2) = 𝐹 (2) − 𝐹 (−2) = 𝐹 (2) − (1 − 𝐹 (2))
= 𝐹 (2) − 1 + 𝐹 (2) = 2𝐹 (2) − 1 = 2 × 0.97725 − 1
= 0.95 = 95% = 1 − 5% = 1 − 𝛼%
Rappel
𝜒25%=0.05 (18) = 9.390
𝑆𝑡 2.5% (20) = 2.086
𝑆𝑡 2.5% (𝑇 − 𝑘 − 1 > 30) = 1.96
𝐹 5% (𝑘 ; 𝑛 − 𝑘 − 1) = 𝐹 5% (2 ; 17) = 3.59
2.
1
a. 𝑋 = ∑𝑛𝑖=1 𝑋𝑖 : Le rendement moyen d’une action ou la
𝑛
moyenne espérée d’une action
1 2
𝑆 2 = ∑𝑛𝑖=1(𝑋𝑖 − 𝑋) : La variance espérée d’une action ou le
𝑛
risque anticipé de la détention de cette action
1 1 1
b. 𝐸(𝑋) = 𝐸 (𝑋 = ∑𝑛𝑖=1 𝑋𝑖 ) = 𝐸 (∑𝑛𝑖=1 𝑋𝑖 ) = 𝐸 (𝑋1 + 𝑋2 +
𝑛 𝑛 𝑛
1 1
⋯ . . +𝑋𝑛 ) = [𝐸 (𝑋1 ) + 𝐸 (𝑋2 ) + ⋯ … + 𝐸 (𝑋𝑛 )] = × 𝑛 ×
𝑛 𝑛
𝑚=𝑚
̂ ) = 𝐸(𝑋) = 𝑚
𝐸 (𝑋
̂ = 𝑋 est un estimateur sans biais
𝑋
c.
1 2 1 2 1 2 1
i. 𝑛 = 2 → ∑2𝑖=1(𝑋𝑖 − 𝑋) = (𝑋1 − 𝑋) + (𝑋2 − 𝑋) = [𝑋1 2 −
2 2 2 2
2 2 1
2𝑋1 𝑋 + 𝑋 + 𝑋2 2 − 2𝑋2 𝑋 + 𝑋 ] = [𝑋1 2 + 𝑋2 2 − 2𝑋1 𝑋 − 2𝑋2 𝑋 +
2
2
2𝑋 ]
1
𝑋= (𝑋 + 𝑋2 )
2 1
1 1
[𝑋1 2 + 𝑋2 2 − 𝑋1 (𝑋1 + 𝑋2 ) − 𝑋2 (𝑋1 + 𝑋2 ) + (𝑋1 + 𝑋2 )2 ]
2 2
1 1
[𝑋1 2 + 𝑋2 2 − 𝑋1 2 − 𝑋1 𝑋2 − 𝑋2 𝑋1 − 𝑋2 2 + (𝑋1 + 𝑋2 )2 ]
2 2
1 1
[−𝑋1 𝑋2 − 𝑋2 𝑋1 + (𝑋1 + 𝑋2 )2 ]
2 2
1 1 1
[−2𝑋1 𝑋2 + 𝑋1 2 + 𝑋1 𝑋2 + 𝑋22 ]
2 2 2
1 1 1
[−𝑋1 𝑋2 + 𝑋1 2 + 𝑋22 ]
2 2 2
1 1 1
[ (𝑋1 − 𝑋2 )2 ] = (𝑋1 − 𝑋2 )2 = 𝑆 2 ∀ 𝑛 = 2
2 2 4
ii.𝐶𝑜𝑣(𝑋 ; 𝑆 2 )

𝐼𝑙 𝑓𝑎𝑢𝑡 𝑞𝑢𝑒 𝑋 𝑒𝑡 (𝑋1 − 𝑋2 )𝑠𝑜𝑛𝑡 𝑖𝑛𝑑é𝑝𝑒𝑛𝑑𝑎𝑛𝑡𝑒𝑠

𝑛
1 2
𝐶𝑜𝑣(𝑋; 𝜎 2 ) = 𝐶𝑜𝑣(𝑋 ; ∑(𝑋𝑖 − 𝑋) )
𝑛
𝑖=1

𝐶𝑜𝑣(𝑋; 𝑋𝑖 − 𝑋) = 0

𝑋1 + 𝑋2
𝐶𝑜𝑣(𝑋 ; 𝑋1 − 𝑋2 ) = 𝐶𝑜𝑣 ( ; 𝑋1 − 𝑋2 )
2
1
= 𝐶𝑜𝑣 (𝑋1 + 𝑋2 ; 𝑋1 − 𝑋2 )
2
1
= [𝐶𝑜𝑣 (𝑋1 ; 𝑋1 ) − 𝐶𝑜𝑣 (𝑋1 ; 𝑋2 ) + 𝐶𝑜𝑣 (𝑋1 ; 𝑋2 )
2
1 1
− 𝐶𝑜𝑣(𝑋2 ; 𝑋2 )] = (𝑉 (𝑋1 ) − 𝑉(𝑋2 )) = (𝜎 2 − 𝜎 2 )
2 2
=0
iii. 𝐶𝑜𝑣(𝑋 ; 𝑋1 − 𝑋2 ) = 0 → 𝐶𝑜𝑣(𝑋; 𝑆 2 ) = 0 Il n’existe aucune
relation ou aucune dépendance entre la rentabilité de cette action
mesurée par la moyenne espérée et le risque de cette action, c’est-à-dire
le rendement ne permet pas de réduire ce risque parce que la covariance
entre risque et rendement est égale à zéro.
Rappel
𝜃̂ est un estimateur sans biais si et seulement si 𝐸(𝜃̂ ) − 𝜃 = 0 →
𝐸(𝜃̂ ) = 𝜃
𝜃̂ est un estimateur biaisé si et seulement si 𝐸(𝜃̂ ) − 𝜃 ≠ 0 →
𝐸(𝜃̂ ) ≠ 𝜃
Session 2018 :
Exercice n° 3
𝑍𝑡 = (−1)𝑡 𝜀
𝑍𝑠 = (−1)𝑠 𝜀
1.
𝐸 (𝑍𝑡 ) = 𝐸 [(−1)𝑡 𝜀𝑡 ] = (−1)𝑡 𝐸 (𝜀 ) = 0
𝑉 (𝑍𝑡 ) = 𝑉 [(−1)𝑡 𝜀𝑡 ] = (−1)2𝑡 𝑉(𝜀 ) = (1)2𝑡 × 1 = (1)2𝑡+1 = 1
𝐶𝑜𝑣 (𝑍𝑡 ; 𝑍𝑠 ) = 𝐶𝑜𝑣 ((−1)𝑡 𝜀 ; (−1)𝑠 𝜀 ) = (−1)𝑡+𝑠 𝐶𝑜𝑣 (𝜀 ; 𝜀 ) =
1 𝑠𝑖 𝑡 + 𝑠 𝑒𝑠𝑡 𝑝𝑎𝑖𝑟𝑒
= (−1)𝑡+𝑠 𝑉(𝜀 ) = {
−1 𝑠𝑖 𝑡 + 𝑠 𝑒𝑠𝑡 𝑖𝑚𝑝𝑎𝑖𝑟𝑒
2. 𝐸 (𝑋𝑡 ) = 𝐸 (𝑢𝑡 + 𝑎𝑢𝑡−1 + 𝑎2 𝑢𝑡−2 + 𝑎3 𝑢𝑡−3 + ⋯ +) = 0
𝑉 (𝑋𝑡 ) = 𝑉 (𝑢𝑡 + 𝑎𝑢𝑡−1 + 𝑎2 𝑢𝑡−2 + 𝑎3 𝑢𝑡−3 + ⋯ +)
𝑛

= 1 + 𝑎2 + 𝑎4 + ⋯ … . +𝑎2𝑛 = ∑ 𝑎2𝑖
𝑖=0

2 4 2𝑛
1 − 𝑞𝑛 1 − 𝑎2𝑛
𝑉 (𝑋𝑡 ) = 1 + 𝑎 + 𝑎 + ⋯ … . +𝑎 = 𝑈0 ( )=( )
1−𝑞 1 − 𝑎2
𝑈0 = 1 𝑒𝑡 𝑞: 𝑒𝑠𝑡 𝑙𝑎 𝑟𝑎𝑖𝑠𝑜𝑛 = 𝑎2 𝑒𝑡 |𝑎| < 1
 1 − 𝑎2𝑛 1
𝐿𝑖𝑚 𝑉 (𝑋𝑡 ) = 𝑙𝑖𝑚 ( ) =
1 − 𝑎2 1 − 𝑎2
𝑛→0 𝑛→0
D’où
1
𝑉 (𝑋𝑡 ) =
1 − 𝑎2
𝐶𝑜𝑣 (𝑋𝑡 ; 𝑋𝑡−1 )
= 𝐶𝑜𝑣 (𝑢𝑡 + 𝑎𝑢𝑡−1 + 𝑎2 𝑢𝑡−2 + 𝑎3 𝑢𝑡−3 + ⋯ +; 𝑢𝑡−1
+ 𝑎𝑢𝑡−2 + 𝑎2 𝑢𝑡−3 + 𝑎3 𝑢𝑡−4 + ⋯ +)
𝑛

= 𝑎 + 𝑎3 + 𝑎5 + ⋯ . +𝑎2𝑛+1 = ∑ 𝑎2𝑖+1
𝑖=

𝑈0 = 𝑎 𝑒𝑡 𝑞 = 𝑎2 𝑒𝑡 |𝑎| < 1

3 5 2𝑛+1
1 − 𝑞𝑛
𝐶𝑜𝑣 (𝑋𝑡 ; 𝑋𝑡−1 ) = 𝑎 + 𝑎 + 𝑎 + ⋯ . +𝑎 = 𝑈0 ( )
1−𝑞
1 − 𝑎2𝑛 𝑎
= 𝑎( ) =
1 − 𝑎2 1 − 𝑎2
𝐶𝑜𝑣(𝑋𝑡 ;𝑌𝑡 )
3. 𝜌𝑥 ;𝑦 =
√𝑉(𝑋𝑡 )√𝑉(𝑌𝑡 )

𝐶𝑜𝑣 (𝑋𝑡 ; 𝑌𝑡 )
= 𝐶𝑜𝑣 (𝑢𝑡 + 𝑎𝑢𝑡−1 + 𝑎2 𝑢𝑡−2 + 𝑎3 𝑢𝑡−3 + ⋯ … . ; 𝑢𝑡
+ 𝑏𝑢𝑡−1 + 𝑏 2 𝑢𝑡−2 + 𝑏 3 𝑢𝑡−3 + ⋯ … . )
𝑛

= 1 + 𝑎𝑏 + 𝑎2 𝑏 2 + 𝑎3 𝑏 3 + ⋯ … . +𝑎𝑛 𝑏 𝑛 = ∑(𝑎𝑏)𝑖
𝑖=0

𝑈0 = 1 𝑒𝑡 𝑞 = 𝑎𝑏 𝑎𝑣𝑒𝑐 |𝑎| < 1 𝑒𝑡 |𝑏| < 1

1 − 𝑎𝑛 𝑏 𝑛 1
𝐶𝑜𝑣 (𝑋𝑡 ; 𝑌𝑡 ) = =
1 − 𝑎𝑏 1 − 𝑎𝑏
 𝑉 (𝑌𝑡 ) = 𝑉(𝑢𝑡 + 𝑏𝑢𝑡−1 + 𝑏 2 𝑢𝑡−2 + 𝑏 3 𝑢𝑡−3 + ⋯ +)
1
= 1 + 𝑏 2 + 𝑏 4 + ⋯ … . +𝑏 2𝑛 =
1 − 𝑏2
1
𝐶𝑜𝑣(𝑋𝑡 ; 𝑌𝑡 ) 1 − 𝑎𝑏
𝜌𝑥 ;𝑦 = =
√𝑉(𝑋𝑡 )√𝑉(𝑌𝑡 ) √ 1 √ 1
1 − 𝑎2 1 − 𝑏 2
√(1 − 𝑎2 )(1 − 𝑏 2 )
=
1 − 𝑎𝑏
√(1 − 𝑎)(1 + 𝑎)(1 − 𝑏)(1 + 𝑏)
=
1 − 𝑎𝑏
4.
i. 𝑋𝑡 = 𝑢𝑡 + 𝑎𝑢𝑡−1 + 𝑎2 𝑢𝑡−2 + 𝑎3 𝑢𝑡−3 + ⋯ ….
𝑋𝑡−1 = 𝑢𝑡−1 + 𝑎𝑢𝑡−2 + 𝑎2 𝑢𝑡−3 + 𝑎3 𝑢𝑡−4 + ⋯ ….
𝑎𝑋𝑡−1 = 𝑎𝑢𝑡−1 + 𝑎2 𝑢𝑡−2 + 𝑎3 𝑢𝑡−3 + 𝑎4 𝑢𝑡−4 + ⋯ ….
𝑋𝑡 = 𝑢𝑡 + 𝑎𝑋𝑡−1 = 𝑎𝑋𝑡−1 + 𝑢𝑡
𝑌𝑡 = 𝑏𝑌𝑡−1 + 𝑢𝑡
𝑖𝑖. 𝐴𝑅 (1): 𝑝𝑟𝑜𝑐𝑒𝑠𝑠𝑢𝑠 𝑎𝑢𝑡𝑜𝑟é𝑔𝑟𝑒𝑠𝑠𝑖𝑓 𝑑′ 𝑜𝑟𝑑𝑟𝑒 𝑢𝑛
Rappel
Un processus Autorégressif est expliqué en fonction des retards de la
variable endogène ou expliquée
𝑋𝑡 = 𝛽0 + 𝛽1 𝑋𝑡−1 + 𝛽2 𝑋𝑡−2 + ⋯ … … … . . +𝛽𝑝 𝑋𝑡−𝑝 + 𝜀𝑡 ∶ 𝐴𝑅(𝑝)
𝑋𝑡 = 𝛽0 + 𝛽1 𝐿𝑋𝑡 + 𝛽2 𝐿2 𝑋𝑡 + ⋯ … … … . . +𝛽𝑝 𝐿𝑝 𝑋𝑡 + 𝜀𝑡
𝑋𝑡 − 𝛽1 𝐿𝑋𝑡 − 𝛽2 𝐿2 𝑋𝑡 − ⋯ … … … . . −𝛽𝑝 𝐿𝑝 𝑋𝑡 = 𝛽0 + 𝜀𝑡
(1 − 𝛽1 𝐿 − 𝛽2 𝐿2 − ⋯ … … … . . −𝛽𝑝 𝐿𝑝 )𝑋𝑡 = 𝛽0 + 𝜀𝑡
(1 − 𝛽1 𝐿 − 𝛽2 𝐿2 − ⋯ … … … . . −𝛽𝑝 𝐿𝑝 )
= 𝛽(𝐿)𝑒𝑠𝑡 𝑢𝑛 𝑝𝑜𝑙𝑦𝑛𝑜𝑚𝑒 𝑑𝑒𝑠 𝑟𝑒𝑡𝑎𝑟𝑑𝑠
𝛽0 + 𝜀𝑡
𝛽 (𝐿)𝑋𝑡 = 𝛽0 + 𝜀𝑡 → 𝑋𝑡 = = 𝛽0 𝛽(1) + 𝛽 (𝐿)−1 𝜀𝑡 → 𝑀𝐴(∞)
𝛽 (𝐿)
Un processus moyenne mobile est un modèle où la variable endogène
est exprimée en fonction d’erreur et les retards de cette erreur :
𝑋𝑡 = 𝜀𝑡 + 𝛽1 𝜀𝑡−1 + 𝛽2 𝜀𝑡−2 + ⋯ … … … . . +𝛽𝑞 𝜀𝑡−𝑞 ∶ 𝑀𝐴(𝑞)
Un processus mixte est un processus qui combine les retards des
variables endogènes et les termes d’erreur
𝑋𝑡 = 𝛽0 + 𝛽1 𝑋𝑡−1 + 𝛽2 𝑋𝑡−2 + ⋯ … … … . . +𝛽𝑝 𝑋𝑡−𝑝 + 𝜀𝑡 + 𝛾1 𝜀𝑡−1 +
𝛾2 𝜀𝑡−2 + ⋯ … … … . . +𝛾𝑞 𝜀𝑡−𝑞 ∶ 𝐴𝑅𝑀𝐴 (𝑝 ; 𝑞)
Opérateur des retards
𝑋𝑡−1 = 𝐿𝑋𝑡
𝑋𝑡−2 = 𝐿𝑋𝑡−1 = 𝐿 × 𝐿𝑋𝑡 = 𝐿2 𝑋𝑡
𝑋𝑡−𝑝 = 𝐿𝑝 𝑋𝑡

𝑖𝑖𝑖. 𝑆𝑡 = 𝑋𝑡 + 𝑌𝑡 = 𝑋𝑡 − 𝑋𝑡−1 + 𝑋𝑡−1 + 𝑌𝑡 − 𝑌𝑡−1 + 𝑌𝑡+1

𝑋𝑡 = 𝑢𝑡 + 𝑎𝑋𝑡−1 = 𝑎𝑋𝑡−1 + 𝑢𝑡 = 𝑎𝐿𝑋𝑡 + 𝑢𝑡
𝑋𝑡 − 𝑎𝑋𝑡−1 = 𝑢𝑡
𝑋𝑡−1 − 𝑎𝑋𝑡−2 = 𝑢𝑡−1
𝑎𝑢𝑡−1 = 𝑎𝑋𝑡−1 − 𝑎2 𝑋𝑡−2
𝑢𝑡
(1 − 𝑎𝐿)𝑋𝑡 = 𝑢𝑡 → 𝑋𝑡 =
(1 − 𝑎𝐿)
𝑌𝑡 = 𝑢𝑡 + 𝑏𝑌𝑡−1 = 𝑏𝑌𝑡−1 + 𝑢𝑡 = 𝑏𝐿𝑌𝑡 + 𝑢𝑡
𝑢𝑡
(1 − 𝑏𝐿)𝑌𝑡 = 𝑢𝑡 → 𝑌𝑡 =
(1 − 𝑏𝐿)
𝑢𝑡 𝑢𝑡 (1 − 𝑎𝐿)𝑢𝑡 + (1 − 𝑏𝐿)𝑢𝑡
𝑆𝑡 = 𝑋𝑡 + 𝑌𝑡 = + =
(1 − 𝑎𝐿) (1 − 𝑏𝐿) (1 − 𝑎𝐿)(1 − 𝑏𝐿)
 (𝑢𝑡 − 𝑎𝑢𝑡−1 ) + (𝑢𝑡 − 𝑏𝑢𝑡−1 )
𝑆𝑡 =
(1 − 𝑎𝐿)(1 − 𝑏𝐿)
(𝑋𝑡 − 𝑎𝑋𝑡−1 − 𝑎𝑋𝑡−1 + 𝑎2 𝑋𝑡−2 ) + (𝑌𝑡 − 𝑏𝑌𝑡−1 − 𝑏𝑌𝑡−1 + 𝑏 2 𝑌𝑡−2 )
=
(1 − 𝑎𝐿)(1 − 𝑏𝐿)
𝑆𝑡 − 2𝑎𝑋𝑡−1 − 2𝑏𝑌𝑡−1 + 𝑎2 𝑋𝑡−2 + 𝑏 2 𝑌𝑡−2
𝑆𝑡 =
(1 − 𝑎𝐿)(1 − 𝑏𝐿)
(1 − 𝑎𝐿)(1 − 𝑏𝐿)𝑆𝑡 = 𝑆𝑡 − 2𝑎𝑋𝑡−1 − 2𝑏𝑌𝑡−1 + 𝑎2 𝑋𝑡−2 + 𝑏 2 𝑌𝑡−2
𝑆𝑡 − 𝑏𝑆𝑡−1 − 𝑎𝑆𝑡−1 + 𝑎𝑏𝑆𝑡−2 = (𝑢𝑡 − 𝑎𝑢𝑡−1 ) + (𝑢𝑡 − 𝑏𝑢𝑡−1 )
𝑆𝑡 = (𝑎 + 𝑏)𝑆𝑡−1 − 𝑎𝑏𝑆𝑡−2 + 2𝑢𝑡 − (𝑎 + 𝑏)𝑢𝑡−1
Partie n° II : Econométrie
Initiation à l’économétrie ou les modèles linéaires simples
𝑌𝑡 = 𝛽 + 𝛼𝑋𝑡 + 𝜀𝑡
𝑌𝑡 : 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑒𝑛𝑑𝑜𝑔è𝑛𝑒, à 𝑒𝑥𝑝𝑙𝑖𝑞𝑢𝑒𝑟, 𝑖𝑛𝑐𝑒𝑟𝑡𝑎𝑖𝑛𝑒, 𝑖𝑛𝑑é𝑡𝑒𝑟𝑚𝑖𝑛é𝑒
𝑋𝑡 : 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑒𝑥𝑜𝑔è𝑛𝑒, 𝑒𝑥𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑣𝑒, 𝑐𝑒𝑟𝑡𝑎𝑖𝑛𝑒, 𝑑é𝑡𝑒𝑟𝑚𝑖𝑛é𝑒 𝑜𝑢 𝑓𝑖𝑥𝑒
𝜀𝑡 : 𝑢𝑛 𝑡𝑒𝑟𝑚𝑒 𝑑′ 𝑒𝑟𝑟𝑒𝑢𝑟 𝑜𝑢 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑎𝑙é𝑎𝑡𝑜𝑖𝑟𝑒
𝛽 ∶ 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒
𝛼: 𝑢𝑛 𝑐𝑜𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑡
La constante et le coefficient sont deux paramètres à estimer

𝐶𝑜𝑣(𝑌𝑡 ; 𝑋𝑡 ) 1⁄𝑇 ∑𝑇𝑡=1(𝑌𝑡 − 𝑌)(𝑋𝑡 − 𝑋)

𝛼̂ = =
𝑉(𝑋𝑡 ) 1⁄ ∑𝑇 (𝑋 − 𝑋)2
𝑇 𝑡=1 𝑡
∑𝑇𝑡=1(𝑌𝑡 − 𝑌)(𝑋𝑡 − 𝑋)
= 2
∑𝑇𝑡=1(𝑋𝑡 − 𝑋)

𝛽̂ = 𝑌 − 𝛼̂𝑋
SCT = SCE+SCR
2
SCT : Somme du carré totale=∑𝑇𝑡=1(𝑌𝑡 − 𝑌) = 𝑇 × 𝑉(𝑌)
2
SCE : Somme du carré estimée= 𝛼̂ 2 ∑𝑇𝑡=1(𝑋𝑡 − 𝑋) =𝛼̂ 2 × 𝑇 × 𝑉(𝑋)
SCR : Somme du carré résiduelle=𝑆𝐶𝑇 − 𝑆𝐶𝐸 = ∑𝑇𝑡=1 𝜀̂𝑡
𝑆𝐶𝑅
𝑉 (𝜀̂𝑡 ) = 𝜎̂ 2 =
𝑇−2
𝜎̂ 2
𝑉 (𝛼̂ ) =
𝑇𝑉(𝑋)

1 𝑋2
̂
𝑉(𝛽 ) = ( − ) 𝜎̂ 2
𝑇 𝑇𝑉 (𝑋)
 −𝑋
𝐶𝑜𝑣(𝛽̂ ; 𝛼̂) = 𝜎̂ 2
𝑇𝑉 (𝑋)
Significativité statistique
𝐻0 : 𝛼 = 0
{
𝐻1 : 𝛼 ≠ 0
𝛼̂ − 0
|𝑡𝛼̂𝑐 | = | | <> 𝑆𝑡 2.5% 𝑡𝑎𝑏𝑙𝑒 (𝑇 − 2)
√𝑉(𝛼̂)
Si |𝑡𝛼̂𝑐 | > 𝑆𝑡 2.5% (𝑇 − 2) → 𝐴𝐻1 𝑒𝑡 𝑅𝐻0 → 𝛼 ≠ 0
𝑒𝑡 𝛼̂ 𝑒𝑠𝑡 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑞𝑢𝑒𝑚𝑒𝑛𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑓
𝐻0 : 𝛽 = 0
{
𝐻1 : 𝛽 ≠ 0

𝛽̂ − 0
|𝑡𝛽̂𝑐 | = || || <> 𝑆𝑡 2.5% (𝑇 − 2)
√𝑉(𝛽̂ )

Si |𝑡𝛽̂𝑐 | < 𝑆𝑡 2.5% (𝑇 − 2) → 𝐴𝐻0 𝑒𝑡 𝑅𝐻1 → 𝛽̂ = 0

𝑒𝑡 𝛽̂ 𝑒𝑠𝑡 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑞𝑢𝑒𝑚𝑒𝑛𝑡 𝑛𝑜𝑛 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑓

Lorsque 𝑆𝑡 2.5% (𝑇 − 2 > 30) = 1.96
Examen mai 2016
Exercice n°II :
𝑦𝑡 = 𝛼 + 𝛽𝑥𝑡 + 𝜀𝑡
1. Une relation qui décrit le logarithme népérien des exportations en
fonction de logarithme de l’investissement industriel. Ce
logarithme de ces exportations correspond à une variable endogène
et ce logarithme de cet investissement industriel représente la seule
variable exogène. D’où, on a un modèle linéaire simple.
 𝑑𝑦 𝑑𝐿𝑜𝑔(𝑌) 𝑑𝑌⁄𝑌
𝛽= = = = 𝑒𝑌/𝑋
𝑑𝑥 𝑑𝐿𝑜𝑔(𝑋) 𝑑𝑋⁄
𝑋
𝑒𝑌/𝑋
∶ 𝐿′ é𝑙𝑎𝑠𝑡𝑖𝑐𝑖𝑡é 𝑜𝑢 𝑙𝑎 𝑠𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑡é 𝑑𝑒 𝑐𝑒𝑠 𝑒𝑥𝑝𝑜𝑟𝑡𝑎𝑡𝑖𝑜𝑛𝑠 𝑝𝑎𝑟 𝑟𝑎𝑝𝑝𝑜𝑟𝑡
à 𝑐𝑒𝑡 𝑖𝑛𝑣𝑒𝑠𝑡𝑖𝑠𝑠𝑒𝑚𝑒𝑛𝑡 𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑒𝑙
𝛼 ∶ 𝐿𝑎 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝑜𝑢 𝑙′ 𝑒𝑓𝑓𝑒𝑡 𝑚𝑜𝑦𝑒𝑛 𝑑𝑒𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑜𝑚𝑖𝑠𝑒𝑠
𝑜𝑢 𝑛𝑜𝑛 𝑒𝑥𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑣𝑒𝑠
1⁄ ∑𝑇 (𝑌 −𝑌)(𝑋 −𝑋) ∑𝑇
𝐶𝑜𝑣(𝑌𝑡 ;𝑋𝑡 ) 𝑡=1(𝑌𝑡 −𝑌)(𝑋𝑡 −𝑋) 300
2. 𝛽̂ = 𝑇 𝑡=1 𝑡 𝑡
= 1⁄ ∑ (𝑋 −𝑋)2
= 2 = =
𝑉(𝑋𝑡 ) 𝑇 ∑𝑇 860
𝑇 𝑡=1 𝑡 𝑡=1(𝑋𝑡 −𝑋)
0.349
𝛼̂ = 𝑌 − 𝛽̂ 𝑋
24
1 81
𝑌 = ∑ 𝑌𝑡 = = 3.375
𝑇 24
𝑡=1
24
1 185
𝑋 = ∑ 𝑋𝑡 = = 7.708
𝑇 24
𝑡=1

𝛼̂ = 𝑌 − 𝛽̂ 𝑋 = 3.375-0.349×7.708 = 0.685
𝛽̂ = 𝑒𝑌/𝑋 = 0.349
→ 𝑙𝑒𝑠 𝑒𝑥𝑝𝑜𝑟𝑡𝑎𝑡𝑖𝑜𝑛𝑠 𝑠𝑜𝑛𝑡 𝑖𝑛é𝑙𝑎𝑠𝑡𝑖𝑞𝑢𝑒𝑠 𝑝𝑎𝑟 𝑟𝑎𝑝𝑝𝑜𝑟𝑡 à 𝑐𝑒𝑡 𝑖𝑛𝑣𝑒𝑠𝑡𝑖𝑠𝑠𝑒𝑚𝑒𝑛𝑡
C’est-à-dire une augmentation de 1% de cet investissement entraine une
hausse à l’ordre de 0.349% des exportations
𝛼̂ = 0.685
→ 0: 𝑢𝑛𝑒 𝑐𝑜𝑛𝑠𝑡𝑎𝑡𝑛𝑡𝑒 𝑒𝑠𝑡𝑖𝑚é𝑒 𝑒𝑠𝑡 𝑝𝑟𝑒𝑠𝑞𝑢𝑒 𝑡𝑒𝑛𝑑 𝑣𝑒𝑟𝑠 𝑧é𝑟𝑜,
𝑐 ′ 𝑒𝑠𝑡à 𝑑𝑖𝑟𝑒 𝑜𝑛 𝑎 𝑢𝑛 𝑒𝑓𝑓𝑒𝑡 𝑚𝑜𝑦𝑒𝑛 𝑜𝑚𝑜𝑖𝑠𝑒𝑠 𝑒𝑠𝑡𝑖𝑚é 𝑡𝑟è𝑠 𝑓𝑎𝑖𝑏𝑙𝑒
Il s’agit d’une bonne spécification de ces exportations par rapport à cet
investissement. D’où, un bon modèle a estimé.
𝑦𝑡 = 𝛼 + 𝛽𝑥𝑡 + 𝜀𝑡 : Modèle Observable
𝑦̂𝑡 = 𝛼̂ + 𝛽̂ 𝑥𝑡 : Modèle estimable
𝜀̂𝑡 = 𝑦𝑡 − 𝑦̂𝑡 = 𝑦𝑡 − 𝛼̂ − 𝛽̂ 𝑥𝑡
1
3. 𝑆𝐶𝑇 = 𝑇 × 𝑉 (𝑦) = 𝑇 × ∑24 2 24 2
𝑡=1(𝑦𝑡 − 𝑦) = ∑𝑡=1(𝑦𝑡 − 𝑦) = 106
𝑇

𝑆𝐶𝐸 = 𝛽̂ 2 𝑇 × 𝑉 (𝑥 )
24

= 𝛽̂ 2 ∑(𝑥𝑡 − 𝑥 )2 = (0.349)2 × 860 = 104.749

𝑡=1

𝑆𝐶𝑅 = 𝑆𝐶𝑇 − 𝑆𝐶𝐸 = 106 − 104.749 = 1.251

𝑆𝐶𝑅 1.251
𝑉 (𝜀̂𝑡 ) = 𝜎̂ 2 = = = 0.057
𝑇 − 2 24 − 2
La variance du résidu est très faible celle-ci est un indicateur de la bonne
spécification de ce modèle.
̂2
𝜎 0.057 0.057
4. 𝑉(𝛽̂ ) = = ∑24 2 = = 0.0001
𝑇𝑉(𝑋) 𝑡=1(𝑥𝑡 −𝑥) 860

𝐻0 : 𝛽 = 0
{
𝐻1 : 𝛽 ≠ 0

𝛽̂ − 0 0.349
|𝑡𝛽̂𝑐 | |
=| || = | | = 34.9 > 𝑆𝑡 2.5 (𝑇 − 2 = 24 − 2
√0.0001
√𝑉(𝛽̂ )
= 22) ≈ 2
On accepte l’hypothèse alternative et on rejette l’hypothèse nulle. D’où,
on accepte la contrainte où ce coefficient est différent de zéro et ce
coefficient estimé est statistiquement significatif, c’est-à-dire le
logarithme népérien de l’investissement industriel exerce un impact
positif et significatif sur ces exportations logarithmiques.
5. yt =βxt +εt
𝜀𝑡 = 𝑦𝑡 − 𝛽𝑥𝑡
 ∑24
t=1 yt xt
β̂=
∑24
t=1 xt
2

24 24

Min ∑ ε2t = ∑ (yt -βxt )2

t=1 t=1
24 24 24
∂y
=0↔-2 ∑ xt ( yt -βxt )=0↔ ∑ xt yt -β ∑ xt2 =0
∂β
t=1 t=1 t=1
24 24
∑24
𝑡=1 𝑥𝑡 𝑦𝑡
∑ 𝑥𝑡 𝑦𝑡 = 𝛽 ∑ 𝑥𝑡2 ↔ 𝛽̂ =
∑24
𝑡=1 𝑥𝑡
2
𝑡=1 𝑡=1

∑24
t=1 xt yt ∑24
t=1 xt (α+βxt +εt ) α ∑24
t=1 xt +β ∑24
t=1 xt2 + ∑24
t xt εt α ∑24
t=1 xt
β̂ = 24 2 = = =
∑t=1 xt ∑24 2
t=1 xt ∑24 2
t=1 xt ∑24 2
t=1 xt

α ∑24
t=1 xt ∑24
t xt εt α ∑24
t=1 xt ∑24
t xt α ∑24
t=1 xt
E(β̂ )=E ( 24 2 +β+ 24 2 ) = 24 2 +β+ 24 2 E(εt )= 24 2 +β
∑t=1 xt ∑t=1 xt ∑t=1 xt ∑t=1 xt ∑t=1 xt

𝛼∑ 𝑥 24
𝐸(𝛽̂ ) ≠ 𝛽 ↔ 𝛽̂ 𝑒𝑠𝑡 𝑢𝑛 𝑒𝑠𝑡𝑖𝑚𝑎𝑡𝑒𝑢𝑟 𝑏𝑖𝑎𝑖𝑠é car ∑24𝑡=1 2𝑡 ≠ 0
𝑡=1 𝑥𝑡

1
𝛼 × ∑24 𝑥
𝑇 𝑡=1 𝑡 = 𝛼𝑥 ≠ 0
1 𝑉(𝑥)
× ∑24
𝑡=1 𝑥𝑡2
𝑇
6. ŷt = 0.2yt−1 + 0.8xt + 1.5
Ce modèle exprime les exportations en fonctions de ces exportations retardées et
l’investissement industriel
Rappel :
Un modèle du retard échelonné est défini par la forme suivante (DL (q))
𝑌𝑡 = 𝛽0 + 𝛽1 𝑋𝑡 + 𝛽2 𝑋𝑡−1 + ⋯ … … … … + 𝛽𝑞 𝑋𝑡−𝑞 + 𝜀𝑡

Un modèle du retard échelonné augmenté est défini par la forme suivante (ARDL (p ; q))
𝑌𝑡 = 𝛽0 + 𝛼1 𝑌𝑡−1 + 𝛼2 𝑌𝑡−2 + ⋯ … … + 𝛼𝑝 𝑌𝑡−𝑝 + 𝛽1 𝑋𝑡 + 𝛽2 𝑋𝑡−1 + ⋯ … … … … + 𝛽𝑞 𝑋𝑡−𝑞
+ 𝜀𝑡
ŷt = 0.2yt−1 + 0.8xt + 1.5
ARDL (1 ; 0)
ŷt = 0.2Lyt + 0.8xt + 1.5
𝑦𝑡 − 0.2Lyt = 0.8xt + 1.5
(1 − 0.2𝐿)𝑦𝑡 = 0.8xt + 1.5
0.8xt 1.5
𝑦̂𝑡 = +
(1 − 0.2𝐿) (1 − 0.2𝐿)
Les effets à court termes :
𝜕𝑦𝑡 𝜕𝑦𝑡
= 0.2 𝑒𝑡 = 0.8
𝜕𝑦𝑡−1 𝜕𝑥𝑡
L’effet à long terme 𝑡 = 𝑡 − 1 = ⋯ … … = 𝑡 − 𝑞 = ⋯ . . = 𝑡 − 𝑝
𝑦 = 0.2𝑦 + 0.8𝑥 + 1.5 ↔ 𝑦 − 0.2𝑦 = 0.8𝑥 + 1.5 ↔ 0.8𝑦 = 0.8𝑥 + 1.5 ↔ 𝑦 = 𝑥 + 1.875
𝜕𝑦
=1
𝜕𝑥
Examen IFID 2004
𝐸𝑡 =𝛼 + 𝛽𝑅𝑡 +𝜀𝑡
𝐸𝑡 : Variable exogène
𝑅𝑡 : Variable endogène

1. a.
𝑑 𝐸𝑡
𝛽=
𝑑 𝑅𝑡

𝛽: La propension marginale de l’épargne par rapport au taux d’intérêt.

𝛼 ∶ Correspond à la constante ou l’effet moyen des variables omises.
En effet, lorsque 𝑅𝑡 augmente de 1% cela entraine une augmentation de l’épargne de 𝛽 %.
𝛽 : c’est un coefficient qui est toujours positif. Mais le signe de la constante dépend de la
moyenne entre les effets positifs et négatifs des variables omises ou non explicatives, c’est-à-
dire lorsque les effets positifs des variables non explicatives sont supérieurs à l’impact négatifs
des variables cachées la constante devient positive. Par contre, si les effets négatifs des variables
omises dominent les impacts négatifs des variables non explicatives, la constante devient
négative.

b) Interprétation économique de 𝜀𝑡
𝜀𝑡 : C’est le terme d’erreur qui regroupe les autres déterminants de l’épargne sauf le taux
d’intérêt. Ces déterminants sont emboîtés dans ce terme d’erreur tels que : la consommation, le
taux d’inflation, les taxes, les impôts, le revenu, etc.
2. Estimation des paramètres de ce modèle linéaire simple :
1
𝑐𝑜𝑣 (𝐸 𝑅 ) ∑10
𝑡=1(𝐸𝑡 −𝐸
̅̅̅̅
̅ )((𝑅𝑡 −𝑅) ∑10 ̅̅̅̅
𝑡=1 𝐸𝑡 𝑅𝑡 −𝑇𝐸𝑅
𝛽̂ = 𝑉(𝑅𝑡) 𝑡 = 𝑇 1 10 ̅̅̅̅2
= 10 2 ̅
∑𝑡=1 𝑅𝑡 −𝑇𝑅 2
=
𝑡 ∑ (𝑅 −𝑅)
𝑇 𝑡=1 𝑡

10
1 1
𝑅 = ∑ 𝐸𝑡 = × 43.5 = 4.35
𝑇 10
𝑡=1
10
1 1
𝐸= ∑ 𝑅𝑡 = × 435 = 43.5
𝑇 10
𝑡=1
1
𝑐𝑜𝑣 (𝐸𝑡 𝑅𝑡 ) = 𝑇 ∑10 ̅ ̅̅̅ 1 10 ̅̅̅̅ 1
𝑡=1( 𝐸𝑡 − 𝐸 )((𝑅𝑡 − 𝑅)=𝑇 (∑𝑡=1 𝐸𝑡 𝑅𝑡 − 𝑇𝐸𝑅 ) = 10 (2106.5 − 10 × 43.5 ×

4.35) = 21.425
10 10
1 2 1 1
𝑉(𝑅𝑡 ) = ∑(𝑅𝑡 − 𝑅) = (∑ 𝑅𝑡2 − 𝑇𝑅̅ 2 ) = (215.25 − 10 × (4.35)2 ) = 2.603
𝑇 𝑇 10
𝑡=1 𝑡=1

𝑐𝑜𝑣 (𝐸 𝑅 ) 21.425
𝛽̂ = 𝑉(𝑅𝑡) 𝑡 = 2.603 = 8.232
𝑡

𝛼̂ = 𝐸 − 𝛽̂ 𝑅 = 43.5 − 8.232 × 4.35 = 7.691

Le coefficient estimé ou la propension marginale de l’épargne au taux d’intérêt est strictement

positif, c’est-à-dire une hausse de 1% de ce taux d’intérêt engendre un accroissement des
volumes de l’épargne à l’ordre de 8.232%.
La constante estimée est aussi positive ou l’effet moyen des variables omises est positif. D’où,
les effets positifs des variables cachées dominent les impacts négatifs des variables non
explicatives de telle sorte que la moyenne de ces effets et ces impacts soit strictement positifs.
Ces interprétations confirment avec la théorie économique.
3. La variance du terme d’erreur
𝑆𝐶𝑅
𝑉(𝜀̂ ̂2 =
𝑡) = 𝜎
𝑇−2
SCT= ∑10 ̅̅̅2
𝑡=1(𝐸𝑡 − 𝐸)
2
SCE= 𝛽̂ 2 *∑10 ̅̅̅
𝑡=1(𝑅𝑡 − 𝑅)

SCR= SCT-SCE

SCR= ∑10 ̅̅̅2 ̂ 2 10 ̅̅̅2

𝑡=1(𝐸𝑡 − 𝐸) - 𝛽 *∑𝑡=1(𝑅𝑡 − 𝑅)
2
= ∑10 2 ̅ 2 ̂ 2 10 ̅̅̅
𝑡=1 𝐸𝑡 − 𝑇𝐸 - 𝛽 *∑𝑡=1(𝑅𝑡 − 𝑅)

435 2
SCR = 20775-10*( 10 ) -8.2322 * 26.025= 88.894
 2 88.894
V(𝜀̂
𝑡 ) =𝜎𝜀 = =11.112
8

La variance du terme d’erreur est très élevée. D’où, la qualité de précision de ce terme d’erreur
est très mauvaise.

4.
𝑐𝑜𝑣 (𝐸𝑡 𝑅𝑡 )
𝑎) 𝜌𝐸,𝑅 =
√𝑉(𝐸𝑡 )√𝑉(𝑅𝑡 )
1
𝑐𝑜𝑣 (𝐸𝑡 𝑅𝑡 )= 𝑇 ∑10 ̅ ̅̅̅ 214.5
𝑡=1( 𝐸𝑡 − 𝐸 )(𝑅𝑡 − 𝑅)= 10 = 21.425

26.025
𝑉(𝑅𝑡 )= = 2.603
10

1 2
𝑉(𝐸𝑡 ) = 𝑇 ∑10 2 ̅2 1 435
𝑡=1 𝐸𝑡 − 𝑇𝐸 = 10*(20775-10*-( 10 ))= 185.25

21.425
𝜌𝐸,𝑅 = =0.976 ≈ 1
√2.603√185.25

Nous pouvons constater qu’il existe une forte corrélation linéaire positive entre l’épargne et le
taux d’intérêt.
b) coefficient de détermination 𝑟 2 :
𝑟 2 = 𝜌𝐸,𝑅 2 = 0.9762 = 0.952 ≈ 1 ∶ bon ajustement linéaire
5.
𝐻0 : 𝛽 = 0
{
𝐻1 : 𝛽 ≠ 0
̂ −0
𝛽 8.232−0
|𝑡𝛽̂𝑐 |= √𝑉(𝛽̂)= √0.427 =12.598 > 𝑆𝑡(𝑇−2)
2.5% 2.5%
=> 𝑆𝑡(8) =2

On accepte l’hypothèse alternative et on rejette l’hypothèse nulle. D’où, 𝛽 ≠

0 et 𝛽̂ 𝑒𝑠𝑡 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑟𝑖𝑞𝑢𝑒𝑚𝑒𝑛𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑓
Le taux d’intérêt exerce un effet positif et significatif sur les volumes de l’épargne.
5. La prévision

𝐸̂𝑡 = 𝛼̂ + 𝛽̂ 𝑅𝑡 = 7.691 + 8.232𝑅𝑡

𝐸𝑡+𝑝 = 𝛼 + 𝛽𝑅𝑡+𝑝 + 𝜀𝑡+𝑝
̂
𝐸 ̂ + 𝛽̂ 𝑅𝑡+𝑝
𝑡+𝑝 = 𝛼

̂
𝜀̂𝑡+𝑝 = 𝑒𝑡 = 𝐸𝑡+𝑝 − 𝐸 ̂ − 𝛽̂ 𝑅𝑡+𝑝
𝑡+𝑝 = 𝐸𝑡+𝑝 − 𝛼

𝐸̂11 = 𝛼̂ + 𝛽̂ 𝑅11 = 7.691 + 8.232 × 4 = 40.619

̂
𝜀̂𝑡+𝑝 = 𝑒𝑡 = 𝐸𝑡+1 − 𝐸 ̂ − 𝛽̂ 𝑅𝑡+𝑝
𝑡+1 = 𝐸𝑡+1 − 𝛼
 2
1 (𝑅11 − 𝑅⃗ )
𝐸(𝑒𝑡 ) = 𝐸(𝜀̂𝑡+𝑝 ) = 0 𝑒𝑡 𝑉(𝑒𝑡 ) = 𝑉(𝜀̂𝑡+𝑝 ) = (1 + + ) × 𝜎2
𝑇 𝑇𝑉(𝑅)
1 (4 − 4.35)2
= (1 + + ) × 11.1 = 12.262
10 10 × 2.603

𝐼𝐶 1−𝛼% (𝐸𝑡+𝑝 ) = 𝐸
̂𝑡+𝑝 ± 𝑆𝑡
2.5%
(8)√𝑉(𝑒𝑡 )

𝐼𝐶 1−𝛼% (𝐸𝑡+𝑝 ) = 40.619 ± 2.306 × √12.262 = 40.619 ± 8.075

𝐼𝐶 1−𝛼% (𝐸𝑡+𝑝 ) = [32.544 ; 48.694]

0 𝑛′ 𝑎𝑝𝑝𝑎𝑟𝑡𝑖𝑒𝑛𝑡 𝑝𝑎𝑠 à [32.544 ; 48.694]. 𝐷′ 𝑜ù, 𝑙 ′ 𝑒𝑠𝑡𝑖𝑚𝑎𝑡𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑝𝑟é𝑣𝑖𝑠𝑖𝑜𝑛

𝑑𝑒 𝑣𝑜𝑙𝑢𝑚𝑒 𝑑𝑒 𝑙′é𝑎𝑝𝑟𝑔𝑛𝑒 est statistiquement significatif

7. a yt = βxt + εt
𝜀𝑡 = 𝑦𝑡 − 𝛽𝑥𝑡
∑24
t=1 yt xt
β̂=
∑24
t=1 xt
2

24 24

Min ∑ ε2t = ∑ (yt -βxt )2

t=1 t=1
24 24 24
∂y
=0↔-2 ∑ xt ( yt -βxt )=0↔ ∑ xt yt -β ∑ xt2 =0
∂β
t=1 t=1 t=1
24 24
∑24
𝑡=1 𝑥𝑡 𝑦𝑡
∑ 𝑥𝑡 𝑦𝑡 = 𝛽 ∑ 𝑥𝑡2 ↔ 𝛽̂ =
∑24
𝑡=1 𝑥𝑡
2
𝑡=1 𝑡=1

∑24
t=1 xt yt ∑24
t=1 xt (α+βxt +εt ) α ∑24
t=1 xt +β ∑24
t=1 xt2 + ∑24
t xt εt α ∑24
t=1 xt
β̂ = 24 2 = = =
∑t=1 xt ∑24 2
t=1 xt ∑24 2
t=1 xt ∑24 2
t=1 xt

α ∑24
t=1 xt ∑24
t xt εt α ∑24
t=1 xt ∑24
t xt α ∑24
t=1 xt
E(β̂ )=E ( 24 2 +β+ 24 2 ) = 24 2 +β+ 24 2 E(εt )= 24 2 +β
∑t=1 xt ∑t=1 xt ∑t=1 xt ∑t=1 xt ∑t=1 xt

𝛼∑ 𝑥 24
𝐸(𝛽̂ ) ≠ 𝛽 ↔ 𝛽̂ 𝑒𝑠𝑡 𝑢𝑛 𝑒𝑠𝑡𝑖𝑚𝑎𝑡𝑒𝑢𝑟 𝑏𝑖𝑎𝑖𝑠é car ∑24𝑡=1 2𝑡 ≠ 0
𝑡=1 𝑥𝑡
 ̂) = ̂2
𝜎
𝑉 (β
2
∑10
𝑡=1 𝑅𝑡

Exercice 1 juillet 2018

Yt : variable à expliquer : taux d’inflation
Xt : variable explicative : taux de croissance de la masse monétaire
α̂ = 1.3 V(α̂) = 0.04
1. i)
Nous spécifions un modèle qui relie le taux d’inflation par rapport à la création monétaire. Nous
pouvons facilement prouver que la création massive de la monnaie engendre une augmentation
du taux d’inflation. D’où, une relation positive ou de même sens entre le taux d’inflation et la
création monétaire.
Le coefficient estimé de la création monétaire est égal à 1.3. D’où, la hausse de 1% de la création
monétaire engendre une augmentation à l’ordre de 1.3% du taux d’inflation. La variance de ce
coefficient est très minimale et la qualité de précision est très bonne.
ii ) H0: α = 0 ⇒ le coefficient n'est pas significatif
H1: α ≠ 0 ⇒ le coefficient est significatif
̂ −0
α 1.3−0
|𝑡𝛼̂𝑐 | | | | | = 6.5
√V(α
̂ ) √0.04

La variable masse monétaire est statistiquement significative au seuil du risque de 2.5%.